深度学习研究了点扩展功能重建中的边缘工件的机制,用于数值大脑图像
Hiroyuki Shinohara1,2, Kensuke Hori3, Takeyuki Hashimoto4
1Faculty of Health Sciences, Tokyo Metropolitan University, 7-2-10, Higasi-ogu, Arakawa-ku, Tokyo, 116-8551, Japan. shino-hi-ds@iam.ne.jp.
Annals of nuclear medicine
|August 23, 2023
概括
深度学习图像去模糊有效地去除边缘工件 (EA) 在脑成像没有点扩散功能 (PSF) 重建. 传统的PSF重建方法可以引入EA,与深度图像先验 (DIP) 技术不同.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 深度学习应用程序
背景情况:
- 图像消除对提高医疗图像质量至关重要,特别是在神经成像中.
- 传统的重建方法,如点传播函数 (PSF) 重建,可以引入不必要的工件,如边缘工件 (EA).
- 深度学习方法为无文物图像重建提供了一个有希望的替代方案.
研究的目的:
- 在数值大脑图像中的点扩展函数 (PSF) 重建过程中研究边缘工件 (EA) 生成的机制.
- 在EA和空间频率特征方面,将基于深度学习的模糊化与传统PSF重建方法的性能进行比较.
- 评估深度图像预先 (DIP) 在没有PSF重建的情况下生成无EA图像的有效性.
主要方法:
- 数字模拟256x256的大脑图像,定义了灰质,白质和脑脊液信号值.
- 模拟理想的2D平行光束投影数据与检测器响应模糊模拟为1D高斯函数 (2-5毫米FWHM).
- 使用有序子集预期最大化 (OSEM) 为非PSF,PSF重建和PSF重建与相对差异规范化 (PSF-RD) 生成图像,并应用深度图像先验 (DIP) 为非PSF消除模糊.
- 使用1D对象特定调制转移函数 (1D-OMTF) 分析空间频率特征.
主要成果:
- 在PSF重建中观察到边缘工件 (EA),当探测器响应超过3mmFWHM时,特别是在灰色物质 (GM) 边界中.
- 深度图像之前 (DIP) 显示没有显著的EA,并且模糊图像的FWHM被减少到3mm或更少.
- PSF重建显示空间频率高于DIP,高达2.2周期/厘米,但低于3周期/厘米;PSF-RD具有与DIP相似的高频特征,但空间分辨率较低.
结论:
- 点扩散函数 (PSF) 重建,与深度图像之前 (DIP) 不同,缺乏接近尼奎斯特频率的高频组件,导致边缘工件 (EA) 生成.
- 用相对差异调整 (PSF-RD) 重建PSF可以减轻EA,但会抑制信号并降低空间分辨率.
- 基于深度学习的模糊清除 (DIP) 提供了一种优越的方法,可以获得具有保留空间特征的无EA脑图像.
