层次分解的双域深度学习用于稀疏视图CT重建.
Yoseob Han1,2
1Department of Electronic Engineering, Soongsil University, Republic of Korea.
Physics in medicine and biology
|March 8, 2024
概括
本研究介绍了一种双域深度学习框架,用于稀疏视图计算机断层扫描 (CT) 重建. 这种新的方法在理论上证明了深度学习的应用,显著减少了工件,并通过较低的辐射剂量提高了图像质量.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 稀疏视图X射线计算机断层扫描 (CT) 可以减少辐射剂量,但在分析重建时会导致条纹文物.
- 深度学习 (DL) 方法在人工物减少方面表现有希望,但缺乏稀疏视图CT的理论理由.
研究的目的:
- 开发一个理论上合理的双域深度学习框架,用于稀疏视图CT重建.
- 为了解决传统图像域和投影域DL方法在稀疏视图CT中的局限性.
主要方法:
- 借助深 convolutional framelets (DCF) 理论和层次测量分解.
- 提出了一个新的双域DL框架,利用分层分解测量.
- 通过使用DCF的低级属性和福里埃域bowtie支持,增强了投影域网络性能.
主要成果:
- 证明了拟议的双域DL框架的性能改进.
- 与传统的分析和DL方法相比,实现了优越的重建性能.
- 该框架的有效性归因于DCF的低级属性.
结论:
- 该研究提供了一个理论上合理的DL方法,用于稀疏视图CT重建.
- 双域DL框架为高质量,低剂量CT成像提供了优质的替代方案.
- 开辟了医学成像领域的新研究途径,并推进了更安全的诊断技术.


