DeepInverse深度成像物理全景 tour如何模拟MRI、CT、PET与衍射成像【免费下载链接】deepinvDeepInverse: a PyTorch library for solving imaging inverse problems using deep learning项目地址: https://gitcode.com/gh_mirrors/de/deepinvDeepInverseDeepInverse是一个基于 PyTorch 的开源库专为求解深度成像逆问题而设计。它的核心理念是任何成像过程都可以抽象成信号 → 物理前向模型 → 含噪测量 → 重建的链条。在本文的 tour 中你将快速上手 DeepInverse 内置的前向算子一行代码即可模拟 MRI磁共振、CT计算机断层扫描、PET正电子发射断层和衍射成像相位恢复四大经典成像系统并了解如何用深度学习把它们重建回来。一、为什么需要物理前向模型深度学习重建的关键前提是先准确地模拟成像过程。DeepInverse 把所有成像系统统一封装在 deepinv/physics/ 模块中每个成像设备对应一个Physics类成像系统对应类物理含义磁共振成像 MRIMRI/MultiCoilMRI/DynamicMRIk 空间欠采样傅里叶子采样CT 断层扫描TomographyRadon 变换稀疏角度投影PET 分子影像PET投影 泊松噪声 衰减建模衍射成像PhaseRetrieval/Ptychography只测强度、丢失相位统一的接口意味着换成像设备只需要换一个类而训练器、损失函数、优化器全部复用。二、MRI 模拟欠采样的 k 空间魔法 磁共振采集的不是图像而是**傅里叶域k 空间**的离散采样。DeepInverse 的MRI算子定义在 deepinv/physics/mri.py 中其前向模型就是y M·F·xF 为傅里叶变换M 为掩膜。上手三步走生成采样掩膜用GaussianMaskGenerator生成高斯欠采样掩膜支持 4x 加速无需手写任何傅里叶代码定义物理模型dinv.physics.MRI(maskmask, noise_modelGaussianNoise(...))前向测量对复数输入实部/虚部各占一个通道调用physics(x)即得含噪 k 空间数据亮点功能内置GaussianMaskGenerator、RandomMaskGenerator、EquispacedMaskGenerator三种笛卡尔采样策略见 deepinv/physics/generator/mri.py支持DynamicMRIk-t 动态成像与MultiCoilMRI多线圈并行采集与 FastMRI 数据集无缝对接配套完整教程在 examples/physics/demo_mri_tour.py涵盖单线圈、多线圈、动态与 3D MRI 全流程三、CT 模拟稀疏角度的 Radon 变换 CT 的核心是Radon 变换——把图像积分到一系列平行射线上得到正弦图sinogram。DeepInverse 的 deepinv/physics/tomography.py 提供了Tomography类稀疏角度模拟angles40即可生成 40 个投影角度远少于临床的数百个天然模拟欠采样 CT扇束几何支持fan_beamTrue可模拟锥形/扇束束几何真实 CT 设备常用一键 FBP 重建physics.fbp(y)直接调用滤波反投影作为初始重建3D 进阶TomographyWithAstra支持 2D/3D 任意几何适合研究稀疏角度 CT在 examples/physics/demo_physics_tour.py 中一个Tomography实例配合PoissonGaussianNoise混合噪声就能复现真实 CT 的稀疏角度测量——包括漂亮的条纹伪影。四、PET 模拟泊松噪声 衰减校正 ✨PET 是分子影像的核心其前向模型比 CT 更复杂$$ y \sim \gamma , \mathcal{P}\left(\frac{c \circ H(g * x) b}{\gamma}\right) $$DeepInverse 的 deepinv/physics/pet.py 完整实现了这条公式物理模糊高斯核g模拟探测器点扩散FWHM 可配本底建模参数background加入本底计数衰减校正传入 CT 扫描得到的 μ 图自动计算c exp(-Hμ)泊松统计normalize_countsFalse时输出真实整数计数该算子基于parallelproj库同时支持 2D 图像与 3D 体积。官方示例 examples/physics/demo_pet2d.py 与 examples/physics/demo_pet3d.py 演示了从模拟测量到 MLEM/优化重建的完整流程非常适合 PET 深度学习重建研究入门。五、衍射成像相位恢复与层析成像 衍射成像的最大挑战是相机只能记录光强、丢失相位即y |Bx|²。DeepInverse 在 deepinv/physics/phase_retrieval.py 中提供了RandomPhaseRetrieval随机矩阵相位恢复附带谱方法初始化A_dagger自动给出高质量初值Ptychography分层重叠照明衍射层析成像线性算子VJP 支持内置向量-雅可比积A_vjp梯度下降重建天然高效配合PGD优化器 PnP 先验examples/physics/demo_phase_retrieval.py 展示了四种重建策略的对比examples/physics/demo_ptychography.py 则演示了纳米级显微的照明重叠扫描。下面的显微去噪对比图直观展示了测量含噪 → 重建清晰的成像链路六、组合物理与噪声构建真实场景真实成像从来不是单一设备。DeepInverse 提供强大的组合能力deepinv/physics/forward.pyComposedPhysics串联多个物理模型如模糊 下采样 噪声StackedPhysics堆叠测量如高斯灰度 低分辨率 RGB的泛锐化问题14 种噪声模型泊松、高斯、泊松-高斯、里奇、椒盐……在 deepinv/physics/noise.py 中任选只需一行dinv.physics.compose(physics1, physics2)即可得到复合前向算子自动维护精确的伴随算子与伪逆。七、快速上手从 Tour 到训练 推荐学习路径跑通 examples/physics/demo_physics_tour.py——20 多种前向算子的 5 分钟巡礼深入目标模态MRI 看demo_mri_tour.pyPET 看demo_pet2d.py搭配 deepinv/optim/ 中的优化器PnP、LISTA、ADMM或 deepinv/unfolded/ 中的展开网络完成重建社区持续活跃Hackathon 2025 汇聚了全球研究者共同推进逆问题深度学习的边界小结DeepInverse 把 MRI、CT、PET、衍射成像等复杂物理过程封装成即插即用的 PyTorch 算子——统一的接口、精确的伴随、丰富的噪声模型让你可以把全部精力放在重建算法与深度学习模型本身。从一行physics(x)开始开启你的成像逆问题之旅吧【免费下载链接】deepinvDeepInverse: a PyTorch library for solving imaging inverse problems using deep learning项目地址: https://gitcode.com/gh_mirrors/de/deepinv创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考