PIMA-CT:用于超低剂量CT恢复的物理模型意识循环模拟和否定
Peng Liu1, Linsong Xu2, Garrett Fullerton1
1J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida, Gainesville, FL, United States.
Frontiers in radiology
|July 26, 2023
概括
一种新的深度学习方法PIMA-CT通过减少噪音和恢复功能来增强低剂量计算机断层扫描 (CT) 成像. 这种方法可以提高无标记数据的超低剂量扫描的图像质量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 现有的低剂量计算机断层扫描 (CT) 图像增强方法与设备和个体变化作斗争.
- 这些局限性在超低剂量CT成像中尤为明显,阻碍了减少辐射的努力.
研究的目的:
- 开发一个无监督的深度学习框架,PIMA-CT,用于从低剂量CT扫描中进行高质量的图像重建.
- 通过整合物理人形幻影模型来解决当前方法的局限性.
主要方法:
- 提出了PIMA-CT,利用一种名为循环模拟和退化 (CSD) 的新型深度学习技术.
- 开发了两个生成神经网络:一个噪声模拟器和一个消噪器,它们循环相互作用以优化学习.
- 从低剂量和标准剂量CT扫描中提取噪音和组织特征,将其整合到一个统一的特征空间中.
主要成果:
- 中央证券交易所有效地消除了真实低剂量噪声和高斯模拟噪声.
- 拟议的方法超过了最先进的拒绝算法.
- 在不需要标记患者数据或模拟扫描的情况下实现了卓越的性能.
结论:
- 通过整合物理模型和无监督学习,PIMA-CT为超低剂量的CT图像恢复提供了强大的解决方案.
- 循环模拟和除 (CSD) 技术显示出在医疗成像技术的进步方面具有显著的潜力,特别是在剂量减少场景中.
关键词:
深度学习是一种深度学习.剂量降低剂量降低的方法生成式对抗网络 (GAN) 是一种产生式对抗网络.低剂量CTCT的使用.医疗图像去色化 医学图像去色化消除噪音 消除噪音 消除噪音物理模型 物理模型更多相关视频
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.6K
12:39DUCT: Double Resin Casting followed by Micro-Computed Tomography for 3D Liver Analysis
Published on: September 28, 2021
3.4K
