基于深度学习的重建和代重建算法的噪声功率频谱特性:幻影和临床研究

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 图像重建 图像的重建

背景情况:

• 代重建 (IR) 技术,如混合IR和基于模型的IR (MBIR) 在计算机断层扫描 (CT) 中用于减少图像噪声.
• 基于深度学习的重建 (DLR) 是一种新兴的技术,有可能进一步提高图像质量.

研究的目的:

• 为了比较噪声功率谱 (NPS) 属性,并分析混合IR,MBIR和DLR的图像质量.
• 在幻影和临床CT研究中,在类似的噪音水平下评估这些重建方法.

主要方法:

• 进行了一项幻象研究和一项与34名患者的临床研究.
• 噪声功率谱 (NPS),噪声强度比 (NMR) 和中央频率比 (CFR) 为DLR,混合IR和MBIR图像进行了计算.
• 放射科医生对临床图像进行了定性分析.

主要成果:

• DLR实现了与混合IR和MBIR相比的噪音水平,但设置较温和.
• 与混合IR和MBIR相比,DLR显示出优异的降噪 (NMR:0.40) 和频率特征 (CFR:0.76).
• 放射科医生认为DLR图像在视觉上优于混合IR和MBIR图像.

结论:

• 基于深度学习的重建 (DLR) 提高了整体CT图像质量.
• DLR有效地降低了图像噪声,同时保持了基本的图像噪声纹理.
• 与传统的CT重建技术相比,DLR具有优势.