对于深度学习的儿科评估CT denoising
Brandon J Nelson1, Prabhat Kc1, Andreu Badal1
1Center for Devices and Radiological Health, Office of Science and Engineering Labs, Division of Imaging, Diagnostics, and Software Reliability, U.S. Food and Drug Administration, Silver Spring, Maryland, USA.
Medical physics
|December 21, 2023
概括
在成年人数据上训练的深度学习 (DL) CT 否定模型显示,由于尺寸和视野差异,儿科患者的表现降低了. 一个新的幻影框架有效地识别了这些差异,以改善儿科成像.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 计算的幻影 计算的幻影
背景情况:
- 深度学习 (DL) CT无色化模型在较低的辐射剂量下提高图像质量.
- 这些模型通常在成人数据上进行训练,这引起了对儿科应用的担忧.
- 儿科解剖学变化很大,需要对子组进行特定的绩效评估.
研究的目的:
- 开发和评估一个框架,用于评估儿童和成人大小的患者DLCTdenoising性能.
- 为了创建计算机模拟的图像质量 (IQ) 幻影,代表不同的儿科身体大小.
主要方法:
- 模拟CT图像使用儿科大小 (新生儿到18岁) 和成人大小的智商幻象 (CatPhan 600,MITA-LCD).
- 在模拟成人和儿科图像上评估了DL无效化器 (REDCNN训练成人的数据).
- 评估图像质量的变化:噪音,清晰度,CT数值准确度和低对比度检测能力.
- 使用人类形态的儿科XCAT幻影验证的发现.
主要成果:
- 成人训练的DL无声化模型的性能在较小的儿科大小的幻影中显著下降.
- 在较小的幻影中,由于从较小的视野 (FOV) 中改变了噪声纹理,噪声的降低率下降了60%以上.
- 使用XCAT幻象的验证证实了与IQ幻象观察到的降噪趋势.
结论:
- 使用儿科大小的智商幻象的新型框架,可以有效评估儿科子组的DL否定模型.
- 成人训练的DLDenoiser对较小的儿科患者体型的概括性不佳.
- 成人和儿科协议之间的FOV差异有助于绩效差异,突出了需要量身定制的DL模型或评估框架.
