PND-Net:以物理为灵感的非本地双域网络,用于减少金属文物

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 放射治疗 物理 物理

背景情况:

• 患者的金属植入物会在计算机断层扫描 (CT) 图像中引起显著的人工物,降低图像质量.
• 这些文物阻碍了准确的临床诊断,器官划分和放射治疗剂量计算.
• 现有的金属工件减少 (MAR) 深度学习方法通常只关注sinogram恢复,忽视其他工件组件.

研究的目的:

• 提出一种新的以物理为灵感的非局部双域网络 (PND-Net),用于CT成像中的有效金属工件减少.
• 通过考虑sinogram和图像域文物来解决现有的MAR方法的局限性.
• 在临床CT图像上增强MAR的概括性和稳定性.

主要方法:

• 开发了一个非局部的阴影图分解网络 (NSD-Net) 来隔离加权的文物组件.
• 设计了一个图像恢复网络 (IR-Net),以减轻图像域中的残留和次要文物.
• 采用可训练的融合网络 (F-Net) 进行不配对的学习,并将数据保真的内部一致性损失纳入.

主要成果:

• 拟议的PND-Net有效地减少CT图像中的金属工件.
• 模拟和临床数据的实验显示,与最先进的MAR方法相比,性能更好.
• 这种以物理学为灵感的方法,结合了sinogram和图像域处理,产生了改进的文物减少.

结论:

• 在CT成像中,PND-Net在金属工件减少方面取得了重大进展.
• 这种方法提高了图像质量,有助于临床诊断和放射治疗规划.
• 基于物理的双域方法为MAR挑战提供了强大的解决方案.