半监督的低剂量SPECT恢复使用sinogram内部结构感知图形神经网络
Si Li1, Keming Chen1, Xiangyuan Ma2
1School of Computer Science and Technology, Guangdong University of Technology, Guangzhou, People's Republic of China.
Physics in medicine and biology
|February 7, 2024
概括
这项研究引入了用于低剂量SPECT成像的新型半监督框架,通过利用sinogram内部结构和未标记数据来提高图像质量,以减少辐射暴露.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 低剂量单光子发射计算机断层扫描 (SPECT) 对于降低辐射风险至关重要.
- 当前的深度学习方法往往忽略了sinogram的内部结构,需要大量的标记数据.
- 在监督学习中获取正常剂量的SPECT数据具有挑战性.
研究的目的:
- 开发一个半监督的框架,用于低剂量的SPECT阴影图复原.
- 利用图形神经网络利用sinograms固有的内部结构.
- 利用大量未标记的低剂量数据来提高图像质量.
主要方法:
- 一个基于UNet的框架,结合了基于sinogram结构的非本地邻居图形神经网络 (SSN-GNN) 和基于窗口的K-最近邻居GNN (W-KNN-GNN).
- 在培训中使用了平均教师半监督学习方法.
- 雇佣了XCAT人类形态数字幻影用于数据生成.
主要成果:
- 拟议的框架在定量和定性评估中表现出优于最先进的方法的性能.
- 废弃性研究证实了每个组件的有效性,强度实验显示了对不同噪声水平的弹性.
- 半监督方法有效地利用未标记的数据来增强恢复.
结论:
- 开发的框架通过利用sinogram内部结构和未标记数据,有效地提高低剂量SPECT图像质量.
- 这种方法为在SPECT成像中减少辐射剂量提供了有价值的工具,而不会影响图像质量.
- 西诺格拉姆内部结构意识和半监督策略代表了低剂量SPECT重建的重大进步.
