使用深度学习的低数骨光学图像质量改进的验证
Taisuke Murata1,2, Takuma Hashimoto1, Masahisa Onoguchi3
1Department of Radiology, Chiba University Hospital, Chiba, 260-8677, Japan.
Radiological physics and technology
|February 9, 2024
概括
深度学习显著提高了低计数骨光学图像质量和骨转移检测准确度. 这种先进的技术显示出有前途的临床适用性,可以提高诊断性能.
科学领域:
- 核医学是一种核医学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 低计数骨光学通常会出现图像质量差,影响诊断准确度.
- 深度学习为医疗成像中的降噪和图像增强提供了潜在的解决方案.
研究的目的:
- 通过使用深度学习来提高低计数骨光学中的图像质量.
- 评估深度学习过图像的临床适用性和诊断性能.
主要方法:
- 从参考骨光学图像中生成低数图像 (5%-75%).
- 训练了一个U-Net深度学习模型来产生DL过图像.
- 使用图像质量指标 (PSNR,SSIM) 和用于转移检测的BONENAVI分析,将DL过图像与原始和高斯过图像进行了比较.
主要成果:
- 在所有低计数级别中,DL过图像显示出卓越的图像质量 (最高PSNR和SSIM).
- 深度学习保留了诊断性能,BONENAVI值不论转移是否存在都没有显著差异.
- 深度学习提高了骨转移检测准确度,与原始和高斯过图像相比.
结论:
- 深度学习有效地提高了低数骨光学图像的图像质量和诊断准确性.
- 该DL方法显示显著的临床适用性,用于增强低数骨扫描.


