在微型CBCT中使用深度学习进行乳房样本成像的人工物抑制
Sorapong Aootaphao1,2, Puttisak Puttawibul3, Pairash Thajchayapong4
1Faculty of Medicine, Prince of Songkla University, Songkhla, Thailand. aootaphao@gmail.com.
BMC medical imaging
|February 6, 2024
概括
这项研究引入了一种深度学习方法,用于减少形光束计算机断层扫描 (CBCT) 乳腺样本图像中的条纹和金属工件. 这种新的方法显著提高了图像质量,以便更好地进行临床评估.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 形束计算断层扫描 (CBCT) 用于乳房样本成像,以确保清晰的切除边缘.
- 典型的微型CT成像面临着长时间的采集时间和从减少投射 (条纹文物) 和金属标记 (金属文物) 的文物所带来的挑战.
研究的目的:
- 开发和评估一种基于深度学习的方法,用于抑制CBCT乳腺样本图像中的条纹和金属工件.
- 为了提高CBCT的图像质量和诊断效用,用于乳腺保护手术.
主要方法:
- 经过修改的U-Net神经网络被用于在移除金属物体和升级样本后合成sinograms.
- 用过后投影 (FBP) 重建了合成的阴影图.
- 随后, ResU-Net 模型被应用来进一步减少残留文物,将无色化图像与提取的金属物体结合起来.
主要成果:
- 与传统的FBP和代重建相比,建议的深度学习方法显著减少了条纹和金属文物.
- 该方法实现了3.6倍高的对比度与噪声比,1.3倍高的峰值信号与噪声比,以及1.4倍高的SSIM.
- 观察到金属标记物周围软组织的可视化得到改善.
结论:
- 开发的深度学习方法有效地减少了CBCT重建乳腺样本图像中的条纹和金属工件.
- 这种提高图像质量具有显著的潜力,可以改善乳腺保护疗法的临床决策.
