使用DenseNet在多相对比增强CT中改善检测低血管性肝转移,切片厚度小于5mm
1Department of Medical Imaging and Radiological Sciences, Kaohsiung Medical University, Kaohsiung, Taiwan; Department of Medical Research, Kaohsiung Medical University Hospital, Kaohsiung, Taiwan.
Radiography (London, England : 1995)
|March 8, 2024
概括
这项研究开发了一个卷积神经网络 (CNN),以减少薄切片CT扫描中的噪音,改善肝转移的检测. 基于CNN的无声化增强了对比度与噪声比,以提高多相对比增强CT成像中的更好的诊断准确性.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 更薄的CT切片可以改善小病变的检测,但会增加图像噪声和统计波动.
- 多相对比增强CT对于检测低血管性肝转移至关重要.
- 在薄切片CT中降低噪音对于提高诊断性能至关重要.
研究的目的:
- 开发和评估基于卷积神经网络 (CNN) 的无声化方法,用于多相对比增强CT.
- 为了减少CT扫描中的图像噪声,重建的切片厚度比临床标准 (5毫米) 更薄.
- 为了提高检测低血管性肝转移的使用denoised薄切片CT图像.
主要方法:
- 使用DenseNet模型生成CT图像的噪声图,切片厚度为2.5毫米和1.25毫米.
- 通过从CT图像中减去CNN生成的噪声图来实现图像无声化.
- 使用电子密度幻影和患者CT扫描来评估该方法的性能,评估Hounsfield单位 (HU) 变化,统计波动和对比度与噪声比 (CNR).
主要成果:
- 基于CNN的denoising有效地减少了2.5mm和1.25mm切片的统计波动,而没有显著的边缘模糊或HU值变化.
- 与传统的5毫米切片相比,denoised 2.5毫米和1.25毫米切片在所有四个阶段的肝转移中显示出更高的CNR.
- 幻影研究证实了该方法能够减少噪音,同时保持图像完整性的能力.
结论:
- 在多相对比增强CT中,基于CNN的denoising显著改善了低血管肝转移的检测.
- 使用较薄的切片 (<5毫米) 与CNN无色化可提高图像质量和诊断准确性.
- 这种方法可以在具有挑战性的CT成像场景中更好地可视化小病变.
