DDT-Net:剂量无定性双任务传输网络,用于同时低剂量CT排毒和模拟

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 深度学习 (DL) 显示出低剂量CT (LDCT) 成像的前景.
• 现有的DL排泄模型难以将其推广到多种剂量水平.
• LDCT模拟工具通常需要专有数据,限制可访问性.

研究的目的:

• 开发一个剂量不可知网络,用于同时进行LDCT无声化和模拟.
• 解决当前DL无声化模型的泛化局限性.
• 创建一个可访问的工具来模拟任意剂量水平的LDCT图像.

主要方法:

• 拟议的DDT-Net,一个双重任务传输网络,整合了无声化和模拟.
• 使用统一的优化框架来学习LDCT和正常剂量CT (NDCT) 数据的联合分布.
• 使用混合剂量训练策略,用离散数据近似连续剂量水平.

主要成果:

• 与现有方法相比,DDT-Net在未见的剂量数据上表现出优异的消除和概括性能.
• 模拟的配对数据集有效地增强了LDCT图像,恢复了组织纹理.
• 该网络成功地模拟了任意剂量水平的LDCT现实图像.

结论:

• DDT-Net提供了一个强大的解决方案,用于剂量无关的LDCT无声化和模拟.
• 该模型克服了一般化挑战,并提供了有价值的模拟工具.
• 这种方法提高了LDCT的图像质量和可访问性,用于研究和临床应用.