使用监督深度学习框架对成像和治疗监测进行辐射诱导的声信号消噪
Zhuoran Jiang1,2, Siqi Wang3, Yifei Xu3
1Medical Physics Graduate Program, Duke University, Durham, NC 27705, United States of America.
Physics in medicine and biology
|October 11, 2023
概括
一个新的深度学习模型通过减少噪音显著提高了辐射诱导的声学成像. 这允许使用更少的测量进行高质量的成像,降低辐射剂量并改善医疗应用中的实时监控.
科学领域:
- 医疗成像医学成像
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 辐射诱导声学 (RA) 成像可视化辐射能量沉积,但其信号噪声比 (SNR) 较低.
- 目前的RA成像需要广泛的平均,增加辐射剂量和限制临床使用的时间分辨率.
研究的目的:
- 开发一个通用的深度学习模型来消除RA信号的噪音,减少对广泛平均的需求.
- 提高RA成像的临床效用,用于低剂量应用和实时治疗监测.
主要方法:
- 开发了一个通用的深度初始卷积神经网络 (GDI-CNN),利用具有多个扩张的卷积.
- 该GDI-CNN架构编码和解码信号特征,具有不同的时间特征,以实现通用化的无声化.
- 评估了GDI-CNN对实验性X射线诱导的声学,原声学和电声学信号的性能.
主要成果:
- 实现了高质量的X射线诱导声学成像,平均10 (98.7%的剂量减少).
- 启用了使用20平均值 (37.5Hz频率) 准确的质子范围验证.
- 从单个 (1k fps监控频率) 提供高质量的电声成像.
结论:
- 该GDI-CNN有效地拒绝RA信号,大大减少了各种辐射源所需的平均值.
- 这种深度学习方法大大提高了RA成像在低剂量手术和实时监测中的临床适用性.
- 在 MSE,峰值-SNR 和结构相似性等计量指标中优于传统的低通选.
