在临床螺旋CT中减少风车工件,使用基于深度学习的投影原始数据上采样:方法和稳定性评估

科学领域:

• 医疗成像医学成像
• 计算机断层扫描 (CT) 是一种计算机断层扫描.
• 人工智能的人工智能

背景情况:

• 多切片螺旋计算断层扫描 (MSCT) 成像可以产生别名器件或风车器件,因为在z轴上采样不足.
• 这些文物表现为明亮的条纹,与高对比度结构分开,降低图像质量.

研究的目的:

• 提出基于深度学习的方法作为z-flying焦点 (zFFS) 硬件解决方案的替代方案,以减少别名化工件.
• 通过开发用于原始数据插值的监督学习模型来增强MSCT的纵向采样.

主要方法:

• 开发了一个监督学习模型,将输入预测映射到双重z方向采样所需的行中.
• 该方法使用临床 (40例患者扫描) 和合成 (100例模拟扫描) 数据集进行了评估,用于培训和验证.
• 性能在实体患者扫描和幻影测量的测试集上进行了定性和定量评估,包括对扫描配置的模拟研究.

主要成果:

• 深度学习模型比忽视双重纵向抽样改进了根平均平方误差大约20%,与忽视双重纵向抽样相比.
• 临床和合成训练数据都有效地减少了风车文物.
• 与临床数据相比,使用合成数据的训练在人工物减少方面取得了更好的表现.

结论:

• 基于深度学习的原始数据插值可以增强z轴采样并最大限度地减少MSCT中的别名化文物,为zFFS提供了替代方案.
• 使用合成数据的训练在减少人工制造物方面显示出特别有希望的结果.
• 这种方法为没有zFFS硬件功能的CT扫描仪提供了有益的解决方案.