arXiv cs.AI· Mahmoud Elhadidy, Roshan M. D'Souza, Amirhossein Arzani·· 13 小时前AI 评分31
Agentic AI 推理与学习采样用于稀疏视角 CT 任务感知投影选择：预测血流动力学
Agentic AI Reasoning and Learned Sampling for Task-Aware Projection Selection in Sparse-View CT: Predicting Hemodynamics
AI 导读
研究用 agentic AI 选择器为稀疏视角 CTA 挑选任务感知投影，直接预测颅内动脉瘤的血流动力学。在空间分辨 TAWSS 预测上，Agentic 与 Soft top-K 误差最低，Agentic 略优，且在极端稀疏下显著优于固定采样。为血流动力学优化的投影掩码图像重建效果很差，说明任务最优采集与重建最优采集本质不同。
正文 · AI 翻译
摘要：稀疏视角计算机断层扫描（CT）减少了采集的投影数量，但传统采样策略主要针对图像重建而非下游物理推断而设计。在此，我们研究了面向任务的最优投影选择，用于从稀疏 CT 血管造影（CTA）测量中直接预测血流动力学。利用颅内动脉瘤的计算流体动力学模拟，我们生成合成的扇形束 CTA 投影，并训练傅里叶神经算子（FNO）来预测两个目标：空间分辨的时间平均壁面剪切应力（TAWSS）场和空间平均的 TAWSS。FNO 与最优输入选择相结合，以实现同时最优采样和训练。我们的目标是研究智能体 AI 能否发现优于当前方法的最优采样策略。我们将固定均匀采样和金角采样与三种面向任务的最优选择策略进行了比较：Gumbel-Softmax、Soft top-K 方法和智能体 AI 选择器。这些方法在不同视角选择预算下进行了比较。对 AI 智能体进行了详细分析，以理解其推理和性能。对于空间分辨的 TAWSS，Agentic 和 Soft top-K 实现了最低的平均误差（Agentic 略优），并在极端稀疏条件下显著优于固定采样。对于空间平均的 TAWSS，优化选择在极稀疏采集时变得重要。对所选掩码的分析揭示了多个集中在信息区域周围的不同子集。此外，针对血流动力学预测优化的掩码产生较差的图像重建，表明任务最优采集与重建最优采集存在根本差异。这项工作表明围绕下游物理量直接设计稀疏采集的可能性。
| 主题： | 人工智能（cs.AI）；流体动力学（physics.flu-dyn） |
| 引用为： | arXiv:2610.39003 [cs.AI] |
| （或 arXiv:2610.39003v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39003 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Amirhossein Arzani [查看电子邮件]
[v1]
2026年10月28日星期三 22:30:30 UTC（9,589 KB）
来源：arXiv cs.AI · arxiv.org