XiaoMi-AI文件搜索系统
World File Search System反投影
2023 年航空航天和国防产品手册
1. 使用快速反投影算法获得最佳图像形成效果。2. 实时 (RT) 处理能力可显著缩短向客户交付图像/数据的时间。3. 显著降低总计算成本。4. 必要时提供机载处理能力，例如在载人情报任务飞机、无人机等上。
使用完全... 在 VHR SAR 图像中检测建筑物
摘要 — 这是预接受版本，要阅读最终版本，请访问 IEEE Xplore 上的《IEEE 地球科学和遥感学报》。本文解决了自动检测人造结构尤其是非常高分辨率 (VHR) 合成孔径雷达 (SAR) 图像中的建筑物这一极具挑战性的问题。在这方面，本文有两大贡献：首先，它提出了一种新颖的通用工作流程，该工作流程首先将星载 TomoSAR 点云（通过使用称为 SAR 断层扫描 (TomoSAR) 的先进干涉技术处理 VHR SAR 图像堆栈生成）在辅助信息的帮助下（即使用公开可用的 2D 建筑物足迹或采用光学图像分类方案）分为建筑物和非建筑物，然后将提取的建筑物点反投影到 SAR 成像坐标上，以自动生成大规模基准标记（建筑物/非建筑物）SAR 数据集。其次，这些标记数据集（即建筑物掩码）已用于构建和训练最先进的深度全卷积神经网络，并附加条件随机场（表示为循环神经网络）来检测单个 VHR SAR 图像中的建筑物区域。这种级联结构已成功应用于计算机视觉和遥感领域，用于光学图像分类，但据我们所知，尚未应用于 SAR 图像。结果
商业 CT 重建算法简史
摘要。计算机断层扫描是第一种需要计算机化解决逆问题的成像方式，以便从传感器硬件获取的数据中生成有用的图像。因此，计算机化解决方案（称为图像重建算法）已成为每台售出的 CT 扫描仪的重要组成部分。我们回顾了商业部署的 CT 重建算法的历史，并考虑了在不同时间点导致创新和围绕某些广泛有用的算法融合的力量。这些力量包括新硬件功能的出现、竞争压力、计算能力的可用性以及监管考虑。我们考虑了四个主要的历史时期和转折点。最初的 EMI 扫描仪是使用迭代重建算法开发的，但创新的爆发加上对旧文献的重新发现导致了整个 20 世纪 70 年代早期替代算法的开发。大多数 CT 供应商很快转向使用滤波反投影 (FBP) 算法，尽管该算法在投影数据和图像域中都分层了各种专有校正以提高图像质量。螺旋扫描和多行探测器等创新都得益于 FBP 在 20 世纪 90 年代和 21 世纪的其他应用的发展。最后，在过去的二十年里，迭代重建又重新兴起，人工智能方法也开始引入，这些方法受益于计算能力的提高，可以减少辐射剂量并提高图像质量。© 2021 光学仪器工程师协会 (SPIE) [DOI：10.1117/1.JMI.8.5.052111]
利用人工智能（AI）技术探究CT图像重建方法的物理特性
目的：我院于2021年2月引进的计算机断层扫描（CT）设备增加了利用人工智能（AI）技术的新型图像重建方法。这种重建方法被称为深度学习重建（Deep Learning Reconstruction，以下简称DLR），佳能称之为高级智能Clear-IQ引擎（Advanced intelligent Clear-IQ Engine，以下简称AiCE）。本研究的目的是评估各重建方法的物理特性和实用性，例如利用AI技术的新型图像重建方法AiCE和目前我院使用的迭代重建方法自适应迭代剂量减量3D（以下简称AIDR 3D）。 方法：通过（1）噪声评估（使用径向频率法测量噪声功率谱（NPS））、（2）低对比度分辨率评估（使用自制模型测量对比度噪声比（CNR））和（3）空间分辨率评估（使用圆边缘法测量调制传递函数（MTF））（1）来评估物理特性。假设成像条件为腹部区域，改变管电流来比较四种重建方法（滤波反投影 (FBP)、AIDR 3D Mid、AIDR 3D 增强 Mid 和 AiCE Body Mid）。 结果：在 NPS、CNR 和 MTF 测量中，AiCE 通常在所有 mAs 值下均显示出最佳结果。然而，在 NPS 测量的低频区域，AiCE 与其他重建方法相比并没有表现出显著差异。 此外，当比较 AIDR 3D 和 AiCE 的重建时间时，AiCE 所花的时间是 AIDR 3D 的 3 到 4 倍。 结论：本研究中，AiCE 在腹部条件下检查的三个物理特性方面优于 AIDR 3D，并且在图像质量方面有用。然而，在考虑重建时间时，需要考虑AiCE图像的运行可能会影响检查进度的可能性。
人工智能和深度学习推动 PET 图像重建：最新进展和未来方向
正电子发射断层扫描 (PET) 对于诊断疾病和监测治疗至关重要。传统的图像重建 (IR) 技术（如滤波反投影和迭代算法）功能强大，但也存在局限性。PET IR 可以看作是图像到图像的转换。使用多层神经网络的人工智能 (AI) 和深度学习 (DL) 为这项计算机视觉任务提供了一种新方法。本综述旨在为核医学专业人士和人工智能研究人员提供相互理解。我们概述了 PET 成像的基础知识以及基于人工智能的 PET IR 的最新技术及其典型算法和 DL 架构。通过推断衰减和散射校正、正弦图修复、去噪和超分辨率细化，进步提高了分辨率和对比度恢复、降低了噪声并消除了伪影。核先验支持列表模式重建、运动校正和参数成像。混合方法将人工智能与传统 IR 相结合。人工智能辅助 PET IR 的挑战包括训练数据的可用性、跨扫描仪兼容性以及幻觉病变的风险。除了监管问题外，还强调了严格评估的必要性，包括定量幻影验证和与传统 IR 诊断准确性的视觉比较。首批获批的基于人工智能的应用程序已在临床上可用，其影响是可以预见的。新兴趋势，例如多模态成像的集成和先前成像访问数据的使用，凸显了未来的潜力。持续的合作研究有望显着提高图像质量、定量准确性和诊断性能，最终导致基于人工智能的 IR 集成到常规 PET 成像协议中。
人工智能深度学习重建算法对 CT 图像质量和潜在剂量减少的影响：一项体模研究
摘要背景：最近，计算机断层扫描 (CT) 制造商已经开发出基于深度学习的重建算法来弥补迭代重建 (IR) 算法的局限性，例如图像平滑和空间分辨率对对比度和剂量水平的依赖性。目的：评估人工智能深度学习重建 (AI-DLR) 算法与混合 IR 算法对胸部 CT 图像质量和剂量减少的影响，对比不同临床适应症。方法：在用于胸部 CT 条件的五个剂量水平 (CTDI vol: 9.5/7.5/6/2.5/0.4 mGy) 下对 CT 美国放射学会 (ACR) 464 和 CT Torso CTU-41 体模进行采集。使用滤波反投影、两级 IR（iDose 4 级别 4 (i4) 和 7 (i7)）和五级 AI-DLR（精确图像；更平滑、平滑、标准、清晰、更清晰）重建原始数据。计算了噪声功率谱 (NPS)、基于任务的传递函数和可检测性指数 (d ′)：d ′ 模型检测软组织纵隔结节（纵隔内的低对比度软组织胸部结节 [LCN]）、毛玻璃影 (GGO) 或高对比度肺 (HCP) 病变。两名放射科医生独立评估胸部拟人幻影图像的主观图像质量。他们使用常用的四或五分量表评估了纵隔图像的图像噪声、图像平滑度、纵隔血管与脂肪之间的对比度、实质图像的支气管与肺实质之间的视觉边界检测以及整体图像质量。结果：从标准到平滑水平，平均而言，噪声幅度降低（所有剂量水平：纵隔图像为 - 66.3% ± 0.5%，实质图像为 - 63.1% ± 0.1%），平均 NPS 空间频率降低（所有剂量水平：纵隔图像为 - 35.3% ± 2.2%，实质图像为 - 13.3% ± 2.2%），三种病变的可检测性 (d′) 增加。从标准到清晰水平则发现了相反的模式。从平滑到清晰水平，
人工智能支持的信息修复和...
电子断层扫描作为一种重要的三维成像方法，为从纳米到原子尺度探测材料的三维结构提供了一种强有力的方法。然而，作为一个重大挑战，缺楔引起的信息丢失和伪影极大地阻碍了我们获得高保真度的纳米物体的三维结构。从数学上讲，断层扫描逆问题定义不明确，因为解是不唯一的。传统方法，如加权反投影 (WBP) 和同时代数重建技术 (SART) [1]，由于倾斜范围有限，缺乏恢复未获取的投影信息的能力；因此，使用这些方法重建的断层图像会失真，并受到伸长、条纹和鬼尾伪影的污染。总方差最小化 (TVM) [2] 结合了迭代重建和正则化，已被开发用于恢复丢失的信息并减少由缺失楔形引起的伪影。然而，TVM 的一个缺点是它不是无参数的并且计算成本高昂。除此之外，TVM 或任何广义 TVM 方法的真正问题是它们被绑定到一个正则化，该正则化会促进对解决方案的一个先验约束，而该解决方案可能适合也可能不适合感兴趣的对象。在本文中，我们应用机器学习，特别是深度学习来解决这个问题。图1 显示，通过在正弦图和断层图域中分别加入两个修复生成对抗网络 (GAN) 模型可以有效地恢复未获取的投影信息 [3]。我们首先设计了一个基于生成对抗网络 (GAN) 中的残差-残差密集块的正弦图填充模型。然后，使用 U-net 结构生成对抗网络来减少残差伪影。联合深度学习模型对于缺失角度高达 45 度的缺失楔形正弦图实现了卓越的断层扫描重建质量。该模型性能的提高源于将问题分解为两个独立的域。在每个域中，都可以有效地学习基于训练过的“先验”的独特解决方案。此外，与基于正则化的方法相比，这种深度学习方法是一种没有任何超参数的端到端方法。其性能与先验知识或人类操作员设置超参数的经验无关。