基于深度学习的基于重建的大脑计算机断层扫描图像的降噪性能,采用基于器官的管道电流调制获得的图像

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 基于器官的管道电流调制 (OB-TCM) 在CT中用于减少辐射剂量.
• 基于深度学习的重建 (DLR) 算法正在出现,用于CT的图像质量提升.
• 使用OB-TCM评估DLR对于优化大脑CT协议至关重要.

研究的目的:

• 在OB-TCM采集过程中用DLR重建的大脑CT扫描的图像质量评估.
• 将DLR方法与传统的重建技术 (FBP,HIR) 进行比较.
• 评估OB-TCM对辐射剂量和图像质量指标的影响.

主要方法:

• 大脑CT图像是使用带有和没有OB-TCM的人类形象头部幻影获得的.
• 对眼镜的辐射剂量使用剂量计进行测量.
• 使用任务转移函数 (TTF),对比度与噪声比率 (CNR) 和低对比度对象特定的CNR来评估图像质量.
• 重建方法包括过后投影 (FBP),混合代重建 (HIR) 和两个DLR类型 (DLR_CTA,DLR_LCD).

主要成果:

• OB-TCM 减少了 32.5% 的眼镜辐射剂量.
• 与FBP相比,DLR方法 (DLR_CTA,DLR_LCD) 实现了显著降低噪音和更高的CNR,即使使用OB-TCM获取.
• 虽然DLR的TTF略低一些,但在相关的空间频率上,差异很小.
• 低对比度对象特异性CNR在所有DLR方法和幻影尺寸中没有显示出一致的改善.

结论:

• 与OB-TCM相结合的DLR有效地降低了脑CT中眼镜的辐射剂量.
• 通过降低噪音和增加CNR,DLR提高了图像质量,与FBP相比提供了潜在的优势.
• 对于DLR对低对比度检测的好处需要进一步调查,因为它在本研究中没有持续改善.