Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2005

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: algorithm reconstruction

Sortuj według:

Ogranicz wyniki do:

Multidimensional training of iterative image reconstruction algorithm

Chlewicki W., Brykalski A.

Pomiary Automatyka Kontrola

2005

R. 51, nr 10

24-26

Iteractive image reconstruction methods are currently a matter of extensive research. These methods have usually parameters which have to be optimized. For instance, choice of appropriate values of such parameters in each iteration has a great effect on the performance of many iteractive image reconstruction algorithms. The search for the optimal coefficients is usually done in "step-by-step" manner. Alternatively, multidimensional optimization of such coefficients was proposed in this paper. The trained algorithm was Row Action Maximum Likelihod Expectation Maximization (RAMLA). Controlled Random Search was employed during the training procedure. The experiments were carried out using mathematically defined phantoms and their projections. Simulation study using two "numerical observers" (training measure and evaluation measure) showed that higher reconstruction accuracy can be obtained when multidimensional optimization is applied. The initial results indicate the poptential of using multidimensional optimization in training of the iterative image reconstruction algorithms.

Iteracyjne metody rekonstrukcji obrazu są obecnie przedmiotem intensywnych badań. Metody te mają przeważnie parametry, ktore należy zoptymalizować. Dla przykładu, dobór odpowiednich wartości współczynnika relaksacji w każdej iteracji ma znaczący wpływ na właściwości wielu algorytmów rekonstrukcji obrazów. Poszukiwanie optymalnych współczynników jest przeważnie wykonywane "krok po kroku". Alternatywnie, w artykule przedstawiona została propozycja użycia wielowymiarowej oprtmalizacji współczynników. Trenowanym algorytmem był tzw. Row Action Maximum Likelihood Expectation Maximization (RAMLA). Podczas procedury treningu użyte zostało kontrolowane przeszukiwanie losowe. Eksperymenty zostały przeprowadzone z użyciem matematycznie zdefiniowanych fantomów oraz ich projekcji. Badania symulacyjne z użyciem dwóch "numerycznych obserwatorów" (miara treningowa oraz miara oceniająca) pokazały, że wyższa dokładność rekonstrukcji może być uzyskana przy stosowaniu optymalizacji wielowymiarowej. Wstępne wyniki wskazują potencjał, który daje optymalizacja wielowymiarowa przy treningu iterakcyjnych metod rekonstrukcji obrazów.