在混合剂量降低策略下,用于低剂量形光束CT重建的联合排斥和插曲网络
Lianying Chao1, Yanli Wang1, TaoTao Zhang2
1Britton Chance Center for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan, Hubei, China; MoE Key Laboratory for Biomedical Photonics, Collaborative Innovation Center for Biomedical Engineering, School of Engineering Sciences, Huazhong University of Science and Technology, Wuhan, Hubei, China.
Computers in biology and medicine
|December 12, 2023
概括
这项研究引入了一种新的深度学习框架,将低强度和稀疏视图策略结合起来,用于圆束计算机断层扫描 (CBCT). 该方法显著降低了辐射剂量,同时提高了图像质量,使得CBCT对患者更安全.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 圆束计算机断层扫描 (CBCT) 使用众多X射线投影进行图像重建,由于电离辐射的存在风险.
- 目前用于CBCT的剂量减少策略,例如低强度或稀疏视图成像,当单独应用时,往往会导致图像质量恶化.
- 同时应用剂量降低策略,有可能实现更温和的剂量降低和更好的图像保真度,特别是在超低剂量场景中.
研究的目的:
- 开发一种新的深度学习框架,以在混合低强度和稀疏视图条件下提高CBCT图像质量.
- 解决现有方法的局限性,这些方法专注于单次剂量降低策略.
- 为了实现超低剂量的CBCT重建,而不会影响诊断图像质量.
主要方法:
- 开发一个在投影领域运行的联合拒绝和插值网络 (JDINet),以处理噪音和缺失数据.
- 整合过的结构相似性约束,以引导网络向重建相关信息.
- 在重建领域实施后处理网络 (PostNet),用于最终的图像精制,使用JDINet,FDK和PostNet创建一个完整的CBCT框架.
主要成果:
- 与最先进的方法相比,拟议的框架显示了CBCT图像质量的显著改善.
- 根的平方平均误差 (RMSE) 在1/8,1/16和1/32剂量数据中分别减少了约8%,15%和17%.
- 混合方法有效地减轻了与单次剂量减少策略相关的图像退化.
结论:
- 开发的基于学习的框架为超低剂量CBCT重建提供了强大的解决方案.
- 这种综合方法可以无地嵌入到现有的CBCT系统中,以提高患者的安全性和诊断准确性.
- 该研究强调了将多种剂量降低技术与深度学习相结合的潜力,以推进医学成像技术的发展.
