Hvordan dyb læringsalgoritmer skaber nøjagtige billeder uden et komplet datasæt

Hastigheden af ​​dataindsamling i mange slags billedteknologier, herunder MRI, afhænger af antallet af prøver, der tages af maskinen. Når antallet af indsamlede prøver er lille, kan dybe neurale netværk bruges til at fjerne den resulterende støj og visuelle artefakter.

Teknologien virker, men der er ingen standard teoretisk ramme – ingen fuldstændig teori – til at beskrive, hvorfor den virker.

I et papir, der blev præsenteret på NeurIPS-konferencen i slutningen af ​​2021, lagde Ulugbek Kamilov ved McKelvey School of Engineering ved Washington University i St. Louis og medforfattere en vej til en klar ramme. Kamilov er adjunkt i Preston M. Green Department of Electrical &Systems Engineering og Department of Computer Science &Engineering.

Kamilovs resultater beviser, med nogle få begrænsninger, at et nøjagtigt billede kan opnås af et dybt neuralt netværk fra meget få prøver, hvis billedet er af den type, der kan repræsenteres af netværket.

Fundet er et udgangspunkt for en robust forståelse af, hvorfor deep learning AI er i stand til at producere nøjagtige billeder, sagde Kamilov. Det har også potentialet til at hjælpe med at bestemme den mest effektive måde at indsamle prøver på og stadig opnå et nøjagtigt billede.