基于模型的深度CNN规范化重建数字乳腺图片合成与基于任务的CNN图像评估方法

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 数字乳腺瘤合成 (DBT) 通过减少组织重叠,提供了比二维乳房扫描更好的乳腺癌查.
• DBT图像可能会遭受噪音和模糊,妨碍检测微妙的迹象,如微化 (MCs).

研究的目的:

• 通过降低噪音和提高微化 (MC) 显著性来提高DBT的图像质量.
• 开发一种新的重建方法,将基于物理的建模与DBT的深度学习相结合.

主要方法:

• 提出了一种基于模型的深层卷积神经网络 (DCNN) 规范化重建 (MDR) 方法.
• 该MDR方法集成基于模型的代重建 (MBIR) 与DCNN通过规范化-by-denoising.
• 两个DCNN工具,一个噪声估计器 (CNN-NE) 和一个MC分类器 (CNN-MC),被开发用于图像质量评估.

主要成果:

• 拟议的CNN-NE和CNN-MC工具证明了对物理幻象DBT的有效性.
• 该MDR方法实现了显著较低的平方根平均 (RMS) 噪声水平.
• 在人类受试者DBT上,MDR产生了最高的检测性能,以接收器运行特征曲线 (AUC) 下的面积来衡量.

结论:

• 开发的DCNN工具 (CNN-NE,CNN-MC) 可以在特定任务的图像质量评估中作为人类观察者的有效替代品.
• 将基于物理的MBIR与基于学习的DCNN结合起来,显示了DBT图像重建的前景.
• 这种方法可能会降低辐射剂量,提高乳腺癌查中微化检测的灵敏度/特异性.