自动胸部计算机断层扫描图像噪声量化使用深度学习
Juuso H J Ketola1, Satu I Inkinen1, Teemu Mäkelä2
1Radiology, HUS Diagnostic Center, University of Helsinki and Helsinki University Hospital, Finland.
概括
一种新的深度学习 (DL) 方法从单次扫描中计算断层扫描 (CT) 图像中量化噪音. 这种方法可以实现客观的图像质量评估和协议优化,而不需要额外的扫描.
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:
- 图像噪声是影响临床计算机断层扫描 (CT) 诊断准确性的关键因素.
- 传统的噪声量化方法通常需要多个扫描或特定的同质区域,限制了它们的临床适用性.
- 客观和有效的噪声评估对于保持高图像质量至关重要.
研究的目的:
- 开发一种深度学习 (DL) 方法,用于在临床胸部CT图像中准确量化噪音.
- 为了从单个CT扫描中进行噪声估计,消除了重复扫描或同质组织假设的需要.
- 为客观CT图像质量评估和协议优化创建一个工具.
主要方法:
- 一个卷积神经网络 (CNN) 在一个大型幻影CT数据集 (9240片) 上受训,剂量水平和重建方法各不相同.
- CNN的设计是为了从单个CT扫描输入中输出局部图像噪声标准偏差 (SD).
- 经过训练的模型在各种幻影数据上得到了验证,随后应用于公开的临床胸部CT图像.
主要成果:
- 基于DL的噪声量化显示出与幻影研究中的地面真实值有很强的一致性 (误差<5 HU).
- 由CNN生成的噪声SD地图在视觉和数值上与临床图像中的参考估计相关得很好.
- 该方法成功地生成了临床数据的噪声SD地图,即使是在具有复杂组织接口和纹理的区域.
结论:
- 深度学习可以在CT图像中可行地预测局部噪声大小,而无需重复扫描.
- 开发的DL模型,在幻影数据上训练,有效地概括到临床胸部CT图像.
- 基于DL的自动噪声映射为客观CT图像质量评估和优化成像协议提供了一个有前途的工具.
