卷积长期短期记忆网络的可行性研究,用于CT图像中的肺部运动预测
Zahra Ghasemi1, Payam Samadi Miandoab2
1Department of Energy Engineering and Physics, Amirkabir University of Technology, Tehran, Iran.
Journal of biomedical physics & engineering
|February 15, 2024
概括
一个新的卷积长期短期记忆 (ConvLSTM) 网络有效地预测了4DCT图像,减少了来自肺部运动的文物. 这种新设计比现有方法提供了更好的速度,准确性和可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 在X射线成像期间的肺部运动会在医学扫描中引起显著的人工物.
- 现有的解决方案包括数学算法和2D-3D图像注册.
- 对于图像生成和预测任务,正在出现深度学习方法.
研究的目的:
- 开发和评估一个卷积长期短期记忆 (ConvLSTM) 神经网络,用于预测时空4DCT图像.
- 在X射线成像中解决由肺部运动引起的图像文物.
主要方法:
- 提出了两个ConvLSTM网络结构:一个调整堆叠模型和一个新的ConvLSTM设计.
- 采用超参数优化算法来调整层,过器,内核大小,时代,优化器和学习率等参数.
- 在六个实验中使用根平均平方误差 (RMSE) 和结构相似度指数 (SSIM) 评估网络性能.
主要成果:
- 新的ConvLSTM设计与调整堆叠模型相比,表现出更高的性能,提高了速度,准确性和可靠性.
- 在所有患者中均达到3.17的RMSE和0.988的SSIM.
- 与以前的研究相比,观察到图像质量和文物减少的显著改善.
结论:
- 新的ConvLSTM网络设计在RMSE和SSIM方面表现出卓越的性能,用于4DCT图像预测.
- 生成的CT图像与参考图像具有很高的一致性,证明了强大的注册准确性.
- 这种深度学习方法有效地减轻了医疗成像中的肺运动工件.
