扩散光学层析成像的基于模型的迭代学习方法
摘要：扩散光学层析成像(DOT)利用近红外光来成像空间分布的光学参数，通常是吸收和散射系数。DOT的图像重建问题是一个不适定的逆问题，由于组织中的非线性光传播和有限的边界测量。不适定性意味着图像重建对测量和建模误差敏感。DOT逆问题的贝叶斯方法提供了将未知量预先信息纳入进来的可能性，使问题的不确定性较小。它还允许边缘化建模误差，利用所谓的贝叶斯近似误差方法。图像重建技术中的一个较新趋势是使用深度学习技术，这在从图像处理到层析重建的各种应用中已经显示出有希望的结果。在这项工作中，我们研究了非线性DOT逆问题，利用"基于模型"的学习方法来估计吸收和散射系数，本质上是将学习到的组件与DOT的模型方程相结合。我们的方法通过2D模拟和3D实验数据进行了验证。我们展示了对于具有平滑和锐利图像特征混合的目标，改进的吸收和散射估计，这意味着所提出的方法可以学习使用标准高斯先验难以建模的图像特征。此外，我们还证明了该方法可以用于对于由于粗糙离散化导致的建模误差的补偿，从而实现计算效率高的解决方案。总的来说，与标准的高斯牛顿迭代相比，该方法提供了改进的计算时间。
作者：Meghdoot Mozumder, Andreas Hauptmann, Ilkka Nissil"a, Simon R. Arridge, Tanja Tarvainen
论文ID：2104.09579
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2021-12-15