深度学习可以在CBCT中提高软组织的时间效率:牙大面部应用的概念验证研究
Sampo Ylisiurua1, Annina Sipola2, Miika T Nieminen3
1Research Unit of Health Sciences and Technology, University of Oulu, Oulu 90220, Finland; Department of Diagnostic Radiology, Oulu University Hospital, Oulu 90220, Finland.
概括
深度学习增强 (DLE) 提高了圆束计算机断层扫描 (CBCT) 软组织的可见性,并有效地减少噪音. 虽然可以与代重建进行比较,但DLE为CBCT成像提供了更快的处理时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 圆束计算机断层扫描 (CBCT) 成像通常受噪声限制,阻碍软组织可视化.
- 代和深度学习重建方法为降低噪音提供了潜力,但在CBCT应用中面临局限性.
- 在CBCT中提高软组织可见性对于准确的诊断和治疗计划至关重要.
研究的目的:
- 通过使用时间效率高的深度学习增强 (DLE) 方法,提高CBCT图像中的软组织可见性.
- 评估DLE技术在降低噪音和提高CBCT中的图像质量的性能.
- 将DLE方法与CBCT的传统重建算法进行比较.
主要方法:
- 两个DLE网络,UNIT和U-Net,使用模拟的CBCT数据进行训练.
- 量化评估涉及SSIM和PSNR指标与地面真相代重建.
- 放射科医生对真实患者数据的评估评估了硬和软组织分辨率和整体图像质量.
- 使用调制转移函数,噪声功率频谱和噪声大小分析了技术图像质量.
主要成果:
- 深度学习CBCT无效化是可行的和时间效率高的,DLE方法可以从模拟数据中很好地概括.
- DLE实现了与代重建可比的定量 (SSIM/PSNR) 和视觉降噪,但处理速度更快.
- 与传统的费尔德坎普-戴维斯-克雷斯 (FDK) 算法相比,DLE提高了软组织的可见性.
- 放射科医生在硬组织量化任务中更喜欢FDK而不是DLE.
结论:
- 重建后的DLE提供了一种可行的方法来提高CBCT图像质量.
- 在实际的重建时间内,DLE显著提高了跨各种数据集的软组织可见性.
- 虽然对于软组织有效,但DLE需要进一步改进,以便在CBCT中获得最佳的硬组织量化.
