Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jul 23, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K

通过深度强化学习进行圆束CT散射校正的自适应散射内核解卷建模.

Zun Piao1, Wenxin Deng1, Shuang Huang1

  • 1School of Biomedical Engineering, Southern Medical University, Guangzhou, China.

Medical physics
|July 17, 2023
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

COX-2 inhibition improves immune system homeostasis and decreases liver damage in septic rats.

The Journal of surgical research·2009
Same author

Mass spectral characterization of organophosphate-labeled, tyrosine-containing peptides: characteristic mass fragments and a new binding motif for organophosphates.

Journal of chromatography. B, Analytical technologies in the biomedical and life sciences·2009
Same author

3D-SURFER: software for high-throughput protein surface comparison and analysis.

Bioinformatics (Oxford, England)·2009
Same author

Total arch replacement with stented elephant trunk technique: a proposed treatment for complicated Stanford type B aortic dissection.

Journal of cardiac surgery·2009
Same author

Top-emitting white organic light-emitting devices with a one-dimensional metallic-dielectric photonic crystal anode.

Optics letters·2009
Same author

[Detection of tick and tick-borne pathogen in some ports of Inner Mongolia].

Zhonghua liu xing bing xue za zhi = Zhonghua liuxingbingxue zazhi·2009

这项研究介绍了用于形光束CT (CBCT) 成像的智能散射校正框架. 通过将散射内核解卷 (SKD) 与深度强化学习 (DRL) 集成,该方法显著提高了散射估计的准确性和CBCT图像质量.

科学领域:

  • 医疗成像医学成像
  • 计算成像技术的成像
  • 医疗设备中的人工智能

背景情况:

  • 在束CT (CBCT) 中的光子散射降低了图像质量和CT值的准确性,限制了临床应用.
  • 传统的散射内核解卷 (SKD) 需要蒙特卡洛模拟来确定参数,这阻碍了精确的散射估计.
  • 现有的方法缺乏对散射内核参数的智能优化,影响整体性能.

研究的目的:

  • 通过将SKD与深度强化学习 (DRL) 集成,为CBCT开发一个智能散射校正框架.
  • 为了提高SKD算法中的散射估计精度,以提高CBCT图像质量.
  • 为了使分散内核模型的自适应参数优化.

主要方法:

  • 开发了一个散射内核模型,并与原始CBCT预测反复结合.
  • 来自DRL的深度Q网络被用于智能交互和散射内核的自适应参数优化.
  • 该框架使用CBCT头部和骨盆模拟数据和实验测量数据进行验证,并使用基于U-net的散射估计进行比较.

主要成果:

  • 模拟研究表明,拟议的方法实现了平均绝对百分比误差 (MAPE) <9.72%和峰值信号噪声比 (PSNR) >23.90dB,优于传统的SKD (MAPE最小17.92%,PSNR最大19.32dB).
  • 实验结果表明,与基于硬件的光束停止阵列算法相比,MAPE<17.79%和PSNR>16.34dB的性能优越.
关键词:
适应性散射核心优化优化圆光束CT散射校正 圆光束CT散射校正深度强化学习的学习.分散内核解卷算法 分散内核解卷算法

更多相关视频

Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models
14:14

Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models

Published on: August 12, 2018

8.9K

相关实验视频

Last Updated: Jul 23, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models
14:14

Targeting Neuronal Fiber Tracts for Deep Brain Stimulation Therapy Using Interactive, Patient-Specific Models

Published on: August 12, 2018

8.9K
  • 智能框架显著减少了散射器件,并提高了CT值的准确性.

    • 结论:

    • 成功提出了一个智能散射校正框架,将物理散射内核模型与DRL算法结合起来.
    • 开发的框架显示了提高临床散射校正方法准确性的巨大潜力.
    • 这种方法为医疗应用提供了一条实现增强CBCT成像质量的途径.