• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control >Variational Formulation of Unsupervised Deep Learning for Ultrasound Image Artifact Removal
【24h】

Variational Formulation of Unsupervised Deep Learning for Ultrasound Image Artifact Removal

机译：超声图像伪影清除无监督深度学习的变分制

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Recently, deep learning approaches have been successfully used for ultrasound (US) image artifact removal. However, paired high-quality images for supervised training are difficult to obtain in many practical situations. Inspired by the recent theory of unsupervised learning using optimal transport driven CycleGAN (OT-CycleGAN), here, we investigate the applicability of unsupervised deep learning for US artifact removal problems without matched reference data. Two types of OT-CycleGAN approaches are employed: one with the partial knowledge of the image degradation physics and the other with the lack of such knowledge. Various US artifact removal problems are then addressed using the two types of OT-CycleGAN. Experimental results for various unsupervised US artifact removal tasks confirmed that our unsupervised learning method delivers results comparable to supervised learning in many practical applications.
机译：最近，深入学习方法已成功用于超声（US）图像伪影去除。 然而，在许多实际情况下，对监督培训的配对高质量图像很难获得。 灵感来自最近使用最优运输驱动的Cyclangan（OT-Corporgan）的无监督学习理论，在这里，我们调查无监督深度学习对未经匹配的参考数据的情况下的美国工件删除问题的适用性。 采用两种类型的OT-CycliCaN方法：一个具有部分知识的图像劣化物理学，另一个具有缺乏这种知识的人。 然后使用两种类型的OT-Corpergan解决了各种美国工件删除问题。 各种无监督的美国工件拆除任务的实验结果证实，我们无监督的学习方法在许多实际应用中提供了与监督学习相当的结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号