定量超声（QUS）提供了有关组织特性的重要信息。可以通过将包络数据分为小重叠贴片并计算不同的斑点统计信息，例如中Nakagami的参数和knody k-Distribution（HK-Distribution）来形成QUS参数图像。计算出的QUS参数图像可能是错误的，因为补丁中只有几个独立的样本可用。另一个挑战是，假定斑块内的包膜样品来自相同的分布，这一假设通常会违反，因为该组织通常不是同质的。在本文中，我们提出了一种基于卷积神经网络（CNN）的方法，以估算QUS参数图像而无需修补。我们构建一个从HK分布中采样的大数据集，具有随机形状和QUS参数值的区域。然后，我们使用众所周知的网络以多任务学习方式估算QUS参数。我们的结果证实，所提出的方法能够减少错误并改善QUS参数图像中的边界定义。

相位函数是Monte Carlo（MC）仿真的光传播模型的关键元件，其通常配备有具有相关参数的分析功能。据报道，据报道，机器学习方法估计特定形式的相位函数的参数，例如Henyey-Greenstein相位功能，但是，对于我们的知识，没有进行研究以确定相位功能的形式。在这里，我们设计卷积神经网络，以估计来自漫反射光图像的相位函数而没有对相位函数的形式进行任何明确的假设。具体地，我们使用高斯混合模型作为示例来表示相位函数，并准确地学习模型参数。选择高斯混合模型，因为它提供了相位函数的分析表达，以便于MC模拟中促进偏转角采样，并且不会显着增加自由参数的数量。我们所提出的方法在典型的生物组织的MC模拟反射图像上使用不同的各向异性因子进行典型生物组织的MC模拟反射图像。分析了视野（FOV）和空间分辨率对误差的影响以优化估计方法。相位函数的平均平方误差为0.01，各向异性因子的相对误差为3.28％。

Convolutional Neural Networks (CNN) have shown promising results for displacement estimation in UltraSound Elastography (USE). Many modifications have been proposed to improve the displacement estimation of CNNs for USE in the axial direction. However, the lateral strain, which is essential in several downstream tasks such as the inverse problem of elasticity imaging, remains a challenge. The lateral strain estimation is complicated since the motion and the sampling frequency in this direction are substantially lower than the axial one, and a lack of carrier signal in this direction. In computer vision applications, the axial and the lateral motions are independent. In contrast, the tissue motion pattern in USE is governed by laws of physics which link the axial and lateral displacements. In this paper, inspired by Hooke's law, we first propose Physically Inspired ConsTraint for Unsupervised Regularized Elastography (PICTURE), where we impose a constraint on the Effective Poisson's ratio (EPR) to improve the lateral strain estimation. In the next step, we propose self-supervised PICTURE (sPICTURE) to further enhance the strain image estimation. Extensive experiments on simulation, experimental phantom and in vivo data demonstrate that the proposed methods estimate accurate axial and lateral strain maps.

通过动态散射介质进行非侵入性光学成像具有许多重要的生物医学应用，但仍然是一项艰巨的任务。尽管标准弥漫成像方法测量光吸收或荧光发射，但也良好的是，散射的相干光的时间相关性通过组织像光强度一样扩散。然而，迄今为止，很少有作品旨在通过实验测量和处理这种时间相关数据，以证明去相关动力学的深度组织视频重建。在这项工作中，我们利用单光子雪崩二极管（SPAD）阵列摄像机同时监视单photon水平的斑点波动的时间动力学，从12种不同的幻影组织通过定制的纤维束阵列传递的位置。然后，我们应用深度神经网络将所获得的单光子测量值转换为迅速去摩擦组织幻像下散射动力学的视频。我们证明了重建瞬态（0.1-0.4s）动态事件的图像的能力，该动态事件发生在非相关的组织幻影下，并以毫米级分辨率进行重构，并突出显示我们的模型如何灵活地扩展到埋藏的phantom船只内的流速。

斑点波动严重限制了合成孔径雷达（SAR）图像的可解释性。因此，散斑减少是跨越至少四十年的众多作品的主题。基于深度神经网络的技术最近在SAR图像恢复质量方面实现了一种新的性能。超出了合适的网络架构的设计或选择足够的损失功能，培训集的构建是最重要的。到目前为止，大多数方法都考虑了监督培训策略：培训网络以产生尽可能靠近斑点的参考图像的输出。无斑点图像通常不可用，这需要采用自然或光学图像或在长时间序列中选择稳定区域，以规避缺乏地面真理。另一方面，自我监督避免使用无斑点图像。我们介绍了一个自我监督的战略，基于单眼复杂的SAR图像的真实和虚构部分的分离，称为Merlin（复杂的自我监督的机除），并表明它提供了一种培训各种深度掠夺的直接途径网络。由于特定于给定传感器和成像模式的SAR传输功能，使用Merlin培训的网络考虑了空间相关性。通过只需要一个图像，并且可能利用大型档案，Merlin将门打开了无忧无虑的机器，以及对机器网络的大规模培训。培训型号的代码是在https://gitlab.telecom-paris.fr/ring/mollin的。

我们解决了在均质半透明材料中建模光散射并估算其散射参数的问题。散射相函数是影响散射辐射分布的此类参数之一。它是在实践中建模的最复杂，最具挑战性的参数，通常使用经验相位函数。经验相函数（例如Henyey-Greenstein（HG）相位函数）通常会呈现，并限于特定的散射材料范围。这种限制引起了人们对目标材料通常未知的反向渲染问题的关注。在这种情况下，首选更通用的相位函数。尽管使用诸如Legendre多项式\ cite {Fowler1983}之类的基础中存在这种通用相位函数，但此相函数的逆渲染并不直接。这是因为基础多项式在某个地方可能是负面的，而相位函数不能。这项研究提出了一种新型的通用相位功能，可以避免此问题，并使用此阶段函数进行逆渲染应用。通过以MIE散射理论建模的广泛的材料对所提出的相函数进行了积极评估。通过模拟和现实世界实验评估了带有建议的相函数的散射参数估计。

Homodyned K (HK) distribution has been widely used to describe the scattering phenomena arising in various research fields, such as ultrasound imaging or optics. In this work, we propose a machine learning based approach to the estimation of the HK distribution parameters. We develop neural networks that can estimate the HK distribution parameters based on the signal-to-noise ratio, skewness and kurtosis calculated using fractional-order moments. Compared to the previous approaches, we consider the orders of the moments as trainable variables that can be optimized along with the network weights using the back-propagation algorithm. Networks are trained based on samples generated from the HK distribution. Obtained results demonstrate that the proposed method can be used to accurately estimate the HK distribution parameters.

我们考虑了使用显微镜或X射线散射技术产生的图像数据自组装的模型的贝叶斯校准。为了说明BCP平衡结构中的随机远程疾病，我们引入了辅助变量以表示这种不确定性。然而，这些变量导致了高维图像数据的综合可能性，通常可以评估。我们使用基于测量运输的可能性方法以及图像数据的摘要统计数据来解决这一具有挑战性的贝叶斯推理问题。我们还表明，可以计算出有关模型参数的数据中的预期信息收益（EIG），而无需额外的成本。最后，我们介绍了基于二嵌段共聚物薄膜自组装和自上而下显微镜表征的ohta-kawasaki模型的数值案例研究。为了进行校准，我们介绍了一些基于域的能量和傅立叶的摘要统计数据，并使用EIG量化了它们的信息性。我们证明了拟议方法研究数据损坏和实验设计对校准结果的影响的力量。

本文致力于检测地球图像森林和非林区的问题。我们提出了两个统计方法来解决这个问题：一个基于多假设检测与参数分布家庭，另一个在非参数测试。参数化方法是文献中的新颖，与更大类别的问题相关 - 检测天然对象，以及异常检测。我们为两种方法中的每一种开发数学背景，使用它们构建自充足检测算法，并讨论其实现的数值方面。我们还将我们的算法与使用卫星数据的标准机器学习的算法进行比较。

建模超声斑点对其表征组织特性的能力引起了极大的兴趣。由于斑点取决于潜在的组织结构，因此对其进行建模可能有助于分割或疾病检测等任务。但是，对于通常用于研究功能障碍的移植肾脏，目前尚不清楚哪个统计分布最能表征这种斑点。对于移植肾脏的区域而言，尤其如此：皮质，髓质和中央回声复合物。此外，目前尚不清楚这些分布如何因患者变量（例如年龄，性别，体重指数，原发性疾病或供体类型）而有所不同。这些特征可能会影响斑点建模，鉴于它们对肾脏解剖结构的影响。我们是第一个调查这两个目标的人。 n = 821肾移植受者B模式图像自动使用神经网络自动分段到皮质，髓质和中央回声复合物中。每个区域都安装了七个不同的概率分布。雷利和中族分布的模型参数在这三个区域之间有显着差异（p <= 0.05）。虽然两者都具有极好的合身性，但中田族具有更高的Kullbeck-Leibler Divergence。受体年龄与皮质中的尺度弱相关（Omega：Rho = 0.11，p = 0.004），而体重指数与髓质中的形状微弱相关（M：RHO = 0.08，p = 0.04）。性别，原发性疾病和供体类型均未表现出任何相关性。我们提出，根据我们的发现，中纳卡米分布可用于表征区域性的移植肾脏和大多数患者特征。

求解电磁逆散射问题（ISP）由于内在的非线性，呈不良和昂贵的计算成本，挑战。最近，深神经网络（DNN）技术已经成功地应用于ISP上，并在传统方法上示出了优异成像的电位。在本文中，我们分析了DNN溶剂和传统迭代算法之间的类比，并讨论了在训练过程中不能有效地纳入重要的物理现象。我们展示了在DNN的学习过程中包括近端前瞻的重要性。为此，我们提出了新的损耗功能设计，其包括基于多散射的近场数量（例如散射场或感兴趣领域内的诱导电流）。使用各种数值实验研究了物理引导功能的影响。总结了调查的ISP求解器的利弊，综述了不同损失功能。

地面穿透雷达（GPR）已被用作树根检验的非破坏性工具。从GPR Radargrams估算从GPR Radargrams的与根系相关的参数都促进了根系健康监测和成像。然而，随着根反射是多根参数和根方向的复杂函数，估计根相关参数的任务是具有挑战性的。现有方法只能在不考虑其他参数和根取向的影响的时间内估计单根参数，导致不同根状况下的估计精度有限。此外，土壤异质性在GPR雷达格中引入了杂波，使数据处理和解释甚至更难。为了解决这些问题，提出了一种名为掩模引导的多偏振积分神经网络（MMI-Net）的新型神经网络架构，以自动估计异构土壤环境中的多个与多种根相关参数。 MMI-Net包括两个子网络：一个掩码，用于预测掩模以突出显示根反射区域以消除干扰环境杂波，以及使用预测掩码的Paranet作为集成，提取，并强调多个中的信息特征的指导Polariemetric radargrams，用于精确估计五个关键的根系相关参数。参数包括根深度，直径，相对介电常数，水平和垂直方向角。实验结果表明，所提出的MMI-Net在这些与相关参数中实现了高估计精度。这是第一项工作，它考虑了根参数和空间方向的组合贡献，并同时估计多个与多个与根相关的参数。本文中实现的数据和代码可以在https://haihan-sun.github.io/gpr.html中找到。

作为混合成像技术，光声显微镜（PAM）成像由于激光强度的最大允许暴露，组织中超声波的衰减以及换能器的固有噪声而受到噪声。去噪是降低噪声的后处理方法，并且可以恢复PAM图像质量。然而，之前的去噪技术通常严重依赖于数学前导者以及手动选择的参数，导致对不同噪声图像的不令人满意和慢的去噪能，这极大地阻碍了实用和临床应用。在这项工作中，我们提出了一种基于深度学习的方法，可以从PAM图像中除去复杂的噪声，没有数学前导者，并手动选择不同输入图像的设置。注意增强的生成对抗性网络用于提取图像特征并去除各种噪声。在合成和实际数据集上证明了所提出的方法，包括幻影（叶静脉）和体内（小鼠耳血管和斑马鱼颜料）实验。结果表明，与先前的PAM去噪方法相比，我们的方法在定性和定量上恢复图像时表现出良好的性能。此外，为256次\ times256 $像素的图像实现了0.016 s的去噪速度。我们的方法对于PAM图像的去噪有效和实用。

在本文中，我们考虑使用Palentir在两个和三个维度中对分段常数对象的恢复和重建，这是相对于当前最新ART的显着增强的参数级别集（PALS）模型。本文的主要贡献是一种新的PALS公式，它仅需要一个单个级别的函数来恢复具有具有多个未知对比度的分段常数对象的场景。我们的模型比当前的多对抗性，多对象问题提供了明显的优势，所有这些问题都需要多个级别集并明确估计对比度大小。给定对比度上的上限和下限，我们的方法能够以任何对比度分布恢复对象，并消除需要知道给定场景中的对比度或其值的需求。我们提供了一个迭代过程，以找到这些空间变化的对比度限制。相对于使用径向基函数（RBF）的大多数PAL方法，我们的模型利用了非异型基函数，从而扩展了给定复杂性的PAL模型可以近似的形状类别。最后，Palentir改善了作为参数识别过程一部分所需的Jacobian矩阵的条件，因此通过控制PALS扩展系数的幅度来加速优化方法，固定基本函数的中心，以及参数映射到图像映射的唯一性，由新参数化提供。我们使用X射线计算机断层扫描，弥漫性光学断层扫描（DOT），Denoising，DeonConvolution问题的2D和3D变体证明了新方法的性能。应用于实验性稀疏CT数据和具有不同类型噪声的模拟数据，以进一步验证所提出的方法。

降雨事件的遥感对于运营和科学需求至关重要，包括天气预报，极端洪水，水循环监测等。降水量的降水量。然而，这种雷达的观察范围仅限于几百公里，促使对其他遥感方法的探索，在开阔的海洋上，这代表了不被陆基雷达覆盖的大面积。几十年来，众所周知，诸如Sentinel-1图像之类的C波段SAR图像在海面上表现出降雨签名。但是，SAR来源的降雨产品的开发仍然是一个挑战。在这里，我们提出了一种深度学习方法，以从SAR图像中提取降雨信息。我们证明，在接触和预处理的Sentinel-1/Nexrad数据集中训练的卷积神经网络，例如U-NET，显然优于最先进的过滤方案。我们的结果表明，在分割降水状态下的性能高，由1、3和10 mm/h的阈值描绘。与当前依靠Koch过滤器绘制二进制降雨图的方法相比，这些基于多阈值的模型可以为更高的风速提供降雨估计，因此对于数据同化天气预测或提高SAR的资格可能引起了极大的兴趣 - 衍生的风场数据。

放射造影通常用于探测动态系统中的复杂，不断发展的密度字段，以便在潜在的物理学中实现进入洞察力。该技术已用于许多领域，包括材料科学，休克物理，惯性监禁融合和其他国家安全应用。然而，在许多这些应用中，噪声，散射，复杂光束动力学等的并发症防止了密度的重建足以足以识别具有足够置信度的底层物理。因此，来自静态/动态射线照相的密度重建通常限于在许多这些应用中识别诸如裂缝和空隙的不连续特征。在这项工作中，我们提出了一种从基本上重建密度的基本上新的射线照片序列的密度。仅使用射线照相识别的稳健特征，我们将它们与使用机器学习方法的底层流体动力方程组合，即条件生成对冲网络（CGAN），以从射线照片的动态序列确定密度字段。接下来，我们寻求通过参数估计和投影的过程进一步提高ML的密度重建的流体动力学一致性，并进入流体动力歧管。在这种情况下，我们注意到，训练数据给出的流体动力歧管在被认为的参数空间中给出的测试数据是用于预测的稳定性的诊断，并用于增强培训数据库，期望后者将进一步降低未来的密度重建错误。最后，我们展示了这种方法优于传统的射线照相重建在捕获允许的流体动力学路径中的能力，即使存在相对少量的散射。

Lensless cameras are a class of imaging devices that shrink the physical dimensions to the very close vicinity of the image sensor by replacing conventional compound lenses with integrated flat optics and computational algorithms. Here we report a diffractive lensless camera with spatially-coded Voronoi-Fresnel phase to achieve superior image quality. We propose a design principle of maximizing the acquired information in optics to facilitate the computational reconstruction. By introducing an easy-to-optimize Fourier domain metric, Modulation Transfer Function volume (MTFv), which is related to the Strehl ratio, we devise an optimization framework to guide the optimization of the diffractive optical element. The resulting Voronoi-Fresnel phase features an irregular array of quasi-Centroidal Voronoi cells containing a base first-order Fresnel phase function. We demonstrate and verify the imaging performance for photography applications with a prototype Voronoi-Fresnel lensless camera on a 1.6-megapixel image sensor in various illumination conditions. Results show that the proposed design outperforms existing lensless cameras, and could benefit the development of compact imaging systems that work in extreme physical conditions.

Tomographic SAR technique has attracted remarkable interest for its ability of three-dimensional resolving along the elevation direction via a stack of SAR images collected from different cross-track angles. The emerged compressed sensing (CS)-based algorithms have been introduced into TomoSAR considering its super-resolution ability with limited samples. However, the conventional CS-based methods suffer from several drawbacks, including weak noise resistance, high computational complexity, and complex parameter fine-tuning. Aiming at efficient TomoSAR imaging, this paper proposes a novel efficient sparse unfolding network based on the analytic learned iterative shrinkage thresholding algorithm (ALISTA) architecture with adaptive threshold, named Adaptive Threshold ALISTA-based Sparse Imaging Network (ATASI-Net). The weight matrix in each layer of ATASI-Net is pre-computed as the solution of an off-line optimization problem, leaving only two scalar parameters to be learned from data, which significantly simplifies the training stage. In addition, adaptive threshold is introduced for each azimuth-range pixel, enabling the threshold shrinkage to be not only layer-varied but also element-wise. Moreover, the final learned thresholds can be visualized and combined with the SAR image semantics for mutual feedback. Finally, extensive experiments on simulated and real data are carried out to demonstrate the effectiveness and efficiency of the proposed method.

位移估计是几乎所有超声弹性图（使用）技术的关键步骤。与一般的光流问题相比，这两个主要功能使这项任务与众不同：超声射频（RF）数据的高频性质和位移字段上物理的管理定律。最近，已经对光流网络的体系结构进行了修改，以便能够使用RF数据。同样，通过考虑以第一和第二个衍生式正规化器的形式考虑位移连续性的先验知识，已采用半监督和无监督的技术来使用。尽管尝试了这些尝试，但尚未考虑组织压缩模式，并且假定轴向和横向方向的位移是独立的。然而，组织运动模式受使用的物理定律的控制，使轴向和横向位移高度相关。在本文中，我们提出了对无监督的正则弹性图（图）的身体启发的约束，在此我们对泊松比的约束以改善侧向位移估计值。有关幻影和体内数据的实验表明，图片大大提高了横向位移估计的质量。

我们建议使用贝叶斯推理和深度神经网络的技术，将地震成像中的不确定性转化为图像上执行的任务的不确定性，例如地平线跟踪。地震成像是由于带宽和孔径限制，这是一个不良的逆问题，由于噪声和线性化误差的存在而受到阻碍。但是，许多正规化方法，例如变形域的稀疏性促进，已设计为处理这些错误的不利影响，但是，这些方法具有偏向解决方案的风险，并且不提供有关图像空间中不确定性的信息以及如何提供信息。不确定性会影响图像上的某些任务。提出了一种系统的方法，以将由于数据中的噪声引起的不确定性转化为图像中自动跟踪视野的置信区间。不确定性的特征是卷积神经网络（CNN）并评估这些不确定性，样品是从CNN权重的后验分布中得出的，用于参数化图像。与传统先验相比，文献中认为，这些CNN引入了灵活的感应偏见，这非常适合各种问题。随机梯度Langevin动力学的方法用于从后验分布中采样。该方法旨在处理大规模的贝叶斯推理问题，即具有地震成像中的计算昂贵的远期操作员。除了提供强大的替代方案外，最大的后验估计值容易过度拟合外，访问这些样品还可以使我们能够在数据中的噪声中转换图像中的不确定性，以便在跟踪的视野上不确定性。例如，它承认图像上的重点标准偏差和自动跟踪视野的置信区间的估计值。