低剂量CT图像的主观和客观图像质量,这些图像是使用自主监督的消噪算法处理的.
Yuya Kimura1,2, Takeru Q Suyama3, Yasuteru Shimamura4
1Clinical Research Center, National Hospital Organization Tokyo National Hospital, Tokyo, Japan. yuk.close.to.wrd.34@gmail.com.
Radiological physics and technology
|February 27, 2024
概括
一个新的深度学习算法通过减少噪音和提高边缘度,显著提高了低剂量计算机断层扫描 (CT) 图像质量. 这种自主监督的消毒方法对临床应用有希望.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 低剂量计算机断层扫描 (CT) 对于减少辐射暴露至关重要.
- 图像质量下降,特别是噪音和度下降,是低剂量CT的挑战.
- 需要先进的无色化技术来保持诊断准确性,同时最大限度地减少辐射剂量.
研究的目的:
- 评估低剂量CT图像的主观和客观图像质量,这些图像是使用基于深度学习的自我监督消噪算法来处理的.
- 为了比较这个算法的性能与原始的低剂量CT图像和常规的无雾化方法.
- 评估拟议的消毒方法的潜在临床适用性.
主要方法:
- 在40名患者的低剂量CT图像上训练了一种自我监督的消毒模型.
- 经过训练的模型应用于来自30名患者的独立组的低剂量CT图像.
- 图像质量由两名放射科医生评估,使用主观评级 (噪音,清晰度) 和客观指标 (变化系数,对比度和噪音比率[CNR],信号与噪音比率[SNR]).
- 与原始低剂量CT图像进行比较,并使用非局部手段处理的图像,块匹配和3D过以及总变异最小化算法进行比较.
主要成果:
- 与原始和传统方法相比,自主监督的消除噪声算法在局部和整体降噪 (3.90/3.93) 和边缘度 (3.90/3.75) 上取得了更高的平均得分.
- 客观指标显示,与原始低剂量CT图像相比,自我监督的消噪算法的CNR和SNR更高.
- 虽然CNR和SNR略低于一些传统算法,但整体图像质量的改善是显著的.
结论:
- 自主监督的深度学习除算法有效地提高了低剂量CT中的主观和客观图像质量.
- 该算法在降低噪音和保护边缘度方面表现优越,与传统方法相比.
- 这些发现表明,这种自我监督的脱光技术在低剂量CT成像中的临床实施具有重大潜力.


