Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction

要約

タイトル：データ整合性を考慮した不確実性のあるNull Space Networksによる画像再構成

要約：
– ノイズの多い不完全な測定からイメージを再構成することは、いくつかの画像処理アプリケーションで中心的なタスクである。
– 近年、深層学習の最近の進歩に基づいて、最先端の再構成方法が開発されている。
– 特に、高度に判断基準の少ない問題に対しては、データ整合性を維持することが鍵となる。
– これは、イテレーションネットワークアーキテクチャによってまたはネットワーク再構築の後に続くプロジェクションによって達成できる。
– ただし、そうしたアプローチを医療画像などの安全重要領域で使用するには、ネットワーク再構築だけでなく、再構成品質に対する信頼度も提供する必要がある。
– 2つの主要な要件を満たすために、この論文は深いヌル空間ネットワークと不確実性の定量化を結合させる。
– 提案手法の評価には、おもちゃのCTデータセットでアンダーサンプルされたラドン測定からの画像再構成と、fastMRIデータセットでの加速MRI再構成が含まれる。
– この作業は、入力依存スケールマップを推定してデータ依存の不確実性もモデル化することで、逆問題を解決する最初のアプローチです。
– これにより、再構成品質の堅牢な評価が提供される。

要約(オリジナル)

Reconstructing an image from noisy and incomplete measurements is a central task in several image processing applications. In recent years, state-of-the-art reconstruction methods have been developed based on recent advances in deep learning. Especially for highly underdetermined problems, maintaining data consistency is a key goal. This can be achieved either by iterative network architectures or by a subsequent projection of the network reconstruction. However, for such approaches to be used in safety-critical domains such as medical imaging, the network reconstruction should not only provide the user with a reconstructed image, but also with some level of confidence in the reconstruction. In order to meet these two key requirements, this paper combines deep null-space networks with uncertainty quantification. Evaluation of the proposed method includes image reconstruction from undersampled Radon measurements on a toy CT dataset and accelerated MRI reconstruction on the fastMRI dataset. This work is the first approach to solving inverse problems that additionally models data-dependent uncertainty by estimating an input-dependent scale map, providing a robust assessment of reconstruction quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI