辐射剂量减少在数字乳腺图解合成的MTANN与多尺度内核的辐射剂量减少

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 辐射物理学 辐射物理学

背景情况:

• 数字乳腺瘤合成 (DBT) 通过减少组织重叠而提高乳腺癌检测能力,相比2D乳房镜.
• DBT提高了诊断准确度,但增加了患者的辐射剂量.
• 降低DBT中的辐射剂量,同时保持图像质量是一个重大的临床挑战.

研究的目的:

• 开发和评估使用大规模训练人工神经网络 (MTANN) 进行DBT的新型辐射剂量减少技术.
• 在DBT中大幅降低辐射剂量,同时保持高图像质量,特别是保持微化 (MCs).

主要方法:

• 开发了一种新型的MTANN,用于DBT的辐射剂量降低,其中包括多尺度内核.
• 经过培训,MTANN使用低剂量 (LD) 和高剂量 (HD) 图像对将LD图像转换为虚拟高剂量 (VHD) 图像.
• 解剖学MTANN专家,包括一个MC特定的专家与多尺度内核,使用门层组合生成VHD图像.

主要成果:

• 拟议的MTANN计划在DBT中实现了79%的剂量减少.
• 该方法成功地在生成的VHD图像中保存了微妙的结构和微化的细节.
• 实验结果显示,与现有的降噪和深度学习技术相比,性能优越.

结论:

• 新的MTANN技术为DBT提供了显著的辐射剂量减少.
• 该方法有效地保持诊断图像质量,这对于检测微化和诊断乳腺癌至关重要.
• 这种方法对提高用DBT进行乳腺癌查的安全性和有效性具有显著的临床意义.