龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：上海科技大学
摘要：本发明涉及一种以深度学习加速的迭代式光声图像重建方法，其特征在于，通过神经网络对迭代过程学习正则项的梯度增量在每次迭代中让重建图像快速收敛；对于需要手动调整的迭代步长α，通过设置可学习的参数ω使其自主学习最佳参数。本发明提出了一种用深度学习网络加速迭代收敛与自动调整参数的方法，通过训练的网络可以使得仅在5次以下的迭代结果胜于传统的10次以上的迭代效果。
主权项：1.一种以深度学习加速的迭代式光声图像重建方法，光声图像重构的目标是从所接收到的信号y恢复初始压力x，通过最小化最小二乘法误差来求解，求解时利用通过优化方法进行迭代，迭代时加入Rx正则项，使得优化目标变为：式中，是数据一致项，Rx是正则项，λ是超参数，A是前向模型；设正则项Rx可微分梯度下降，则第k+1次迭代表示为式中，表示梯度增量，则表示正则项第k次迭代的梯度增量，α表示迭代步长，A*为前向模型A的一个伴随线性模型，xk表示第k次迭代的结果，其特征在于，所述迭代式光声图像重建方法包括以下步骤：通过卷积神经网络CNN模型对迭代过程学习正则项的梯度增量在每次迭代中让重建图像快速收敛；对于需要手动调整的迭代步长α，通过设置可学习的参数ω使其自主学习最佳参数，若正则项Rx未确定，则第k+1次迭代表示为xk+1＝xk-ωA*Axk-y+CNNxk，式中，CNNxk表示神经网络模型的输出；若正则项Rx已确定，则第k+1次迭代表示为使用卷积神经网络CNN模型仅仅学习每次迭代的步长与数据一致项的梯度与正则项Rx的梯度的比例，以非线性的形式迭代，表示为式中，表示神经网络模型的输出；对于所述卷积神经网络CNN模型的训练，使用均方根MSE误差并以最终高质量图像为标签进行优化：Lrec＝MSEx-xk+1，Lrec表示损失函数，x表示标签图像，xk+1是第k+1次迭代的结果。
全文数据：
权利要求：
百度查询： 上海科技大学 一种以深度学习加速的迭代式光声图像重建方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号