基于人工智能的图像域材料分解在单能计算机断层扫描中用于头癌

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:

• 单能计算断层扫描 (SECT) 是全球普遍存在的,但双能计算断层扫描 (DECT) 提供了卓越的临床信息.
• 由于DECT系统的可访问性有限,因此需要从SECT中获得DECT类数据的方法.
• 虚拟单色图像 (VMIs) 是高级CT分析的关键组成部分.

研究的目的:

• 开发一种基于人工智能 (AI) 的技术,从SECT.生成DECT等效的图像.
• 使用VMIs的多个keV输出学习实现图像域材料分解.
• 评估这种AI方法在头癌成像中的有效性.

主要方法:

• 一个AI模型使用67名患者的DECT数据进行训练,并对15名患者进行SECT和DECT扫描进行了测试.
• 人工智能模型从VMI70keV (相当于120kVp SECT) 中生成VMI50keV和VMI100keV.
• 除了VMI损失,还引入了材料密度图像 (MDIs) 的新浪损失函数,与单独的VMI损失进行比较.

主要成果:

• 与仅使用VMI损失相比,使用MDI损失的AI模型在定量上产生了更准确的DECT等效图像.
• 人工智能模型的预测时间很快,每名患者5.4秒.
• 高质量,精确的DECT图像是从真实的120kVp SECT图像中生成的.

结论:

• 一种基于人工智能的材料分解方法成功地使用多个keV输出学习和MDI损失开发出来.
• 开发的AI技术证明了从传统的SECT系统创建DECT等效图像的可行性.
• 这种方法为缺乏专用DECT扫描仪的机构提供了潜在的解决方案.