Método de aprendizaje profundo desenredado para la reconstrucción tomográfica interna de la TC de rayos X de baja...

Área de la Ciencia:

• Imágenes médicas
• Imágenes computarizadas
• La inteligencia artificial en la medicina

Sus antecedentes:

• La tomografía interna de dosis baja combina la TC de dosis baja (LDCT) con imágenes de la región de interés (ROI) para la reducción de la dosis y las imágenes de alta resolución.
• Los desafíos en la reconstrucción tomográfica precisa surgen de los efectos combinados del ruido y el truncamiento de datos.
• El desarrollo de nuevos marcos de reconstrucción es crucial para obtener imágenes de ROI de alta calidad y una extensión eficiente de las regiones recuperables.

Objetivo del estudio:

• Desarrollar un nuevo marco de reconstrucción basado en el aprendizaje profundo para la tomografía interna de baja dosis.
• Para abordar los problemas asociados mal planteados causados por el ruido y las proyecciones truncadas.
• Lograr una reconstrucción de ROI de alta calidad y una extensión eficiente de la región recuperable.

Principales métodos:

• Se realizó un análisis exhaustivo de la composición de los datos de proyección y de los patrones de muestreo angular en la tomografía interior de dosis baja.
• Se propusieron dos líneas de reconstrucción basadas en el aprendizaje profundo: Deep Projection Extraction-based Reconstruction (DPER) y DPER con extensión progresiva (DPER-Pro).
• DPER utiliza una red neuronal profunda de doble dominio para desenredar y extraer contribuciones de ruido y proyección de fondo para la reconstrucción del ROI. DPER-Pro mejora el DPER con una estrategia progresiva de "grosso a fino" para la compensación de datos faltantes.

Principales resultados:

• DPER maneja eficazmente los problemas mal planteados, logrando reconstrucciones de ROI de alta calidad al extraer con precisión el ruido y las proyecciones de fondo.
• DPER-Pro amplía la región recuperable al tiempo que preserva la calidad de la imagen ROI mediante el aprovechamiento de componentes de proyección desenredados y patrones de muestreo angular.
• Ambos métodos superan a los enfoques competidores en la reconstrucción de estructuras confiables, mejorando la generalización y mitigando el ruido y los artefactos de truncamiento.

Conclusiones:

• El marco de aprendizaje profundo desacoplado propuesto ofrece una solución sólida para la tomografía interior de baja dosis, abordando efectivamente los desafíos del ruido y las proyecciones truncadas.
• Los métodos mejoran significativamente la calidad de la reconstrucción del ROI y recuperan eficientemente la información estructural en las regiones externas.
• Este trabajo presenta una vía prometedora para el avance de las imágenes de bajo rendimiento en varias aplicaciones.