视觉转换器的模拟驱动培训使得金属工件能够减少高度截断的CBCT扫描的金属工件

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 圆束计算机断层扫描 (CBCT) 中的金属工件显著降低了图像质量.
• 在CBCT投影中准确的金属细分对于有效的金属工件减少 (MAR) 算法至关重要.

研究的目的:

• 开发一种可靠的方法,直接在CBCT预测中对金属进行细分,克服基于体积的值限制.
• 为了提高MAR的金属面具生成的准确性,特别是在切断的情况下.

主要方法:

• 一个新的SwinConvUNet模型,将Swin变压器与卷积层集成,被提出用于金属细分.
• 创建了两个数据集:来自CAD植入物CT数据的模拟数字放射图 (数据I) 和植入物投影的2DX射线图像 (数据II).
• 该模型使用模拟和真实世界的尸体和临床数据集进行了训练和评估.

主要成果:

• 当SwinConvUNet在组合数据集上进行训练时,SwinConvUNet在尸体预测上获得了0.953的高平均子得分.
• 与传统的UNet和TransUNet模型相比,SwinConvUNet表现出更高的性能,分别得到0.933和0.953的Dice分数.
• 使用两个模拟数据集 (I和II) 的训练显著提高了所有测试模型的性能.

结论:

• 来自两个路径的模拟投影数据的结合提高了用于金属细分的网络训练效率.
• 拟议的SwinConvUNet在各种CBCT数据集上提供了先进的,强大的金属细分性能.
• 精确的金属细分使得即使在具有挑战性的,截断的CBCT扫描中,也能够有效地进行MAR.