使用Denoising卷积神经网络的Denoising Tc-99m DMSA图像与区块匹配波器的比较

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学就是核医学.

背景情况:

• Tc-99m DMSA光学扫描对于诊断脏痕至关重要.
• 图像无色化对于保持医学图像的诊断质量至关重要.
• 深层卷积神经网络 (DnCNNs) 显示出对图像消噪的承诺.

研究的目的:

• 为了评估预先训练的DnCNN对Tc-99m DMSA图像进行denoising.
• 为了比较DnCNN与区块匹配3D (BM3D) 过器的性能,用于TC-99m DMSA图像无声化.

主要方法:

• 两百四十二张Tc-99m DMSA图像使用DnCNN和BM3D进行了denoised.
• 图像质量由核医学医生和客观指标 (SSIM,FSIM等) 进行评估. ) 的情况.
• 使用威尔科克森签名等级测试进行了统计分析.

主要成果:

• 与原始和BM3D图像相比,DnCNN显示了保存的临床信息和更好的图像质量.
• 边缘和痕边界用DnCNN更好地可视化.
• 客观评估显示,使用DnCNN显著改善图像质量 (P < 0.0001).

结论:

• 一个预先训练的DnCNN适用于消除Tc-99m DMSA图像的噪声.
• 在此应用中,DnCNN 显示了比 BM3D 过器更高的性能.
• DnCNN通过提高Tc-99m DMSA图像质量来提高诊断准确度.