基于任务的可转移深度学习分散校正在形束计算机断层扫描:一个模拟研究研究

科学领域:

• 医学物理 医学物理
• 放射学 放射学是一门学科.
• 图像处理 图像处理

背景情况:

• 在形束计算断层扫描 (CBCT) 中,X射线散射会降低图像质量.
• 卷积神经网络 (CNN) 显示了分散校正的潜力,但面临着大数据集和通用性的挑战.
• 基于任务的范式提供了一个解决方案,以提高CNN在散射校正中的应用.

研究的目的:

• 在CBCT中引入基于CNN的X射线散射校正的基于任务的范式.
• 为了克服广泛数据集的局限性和CNN散射校正中的模型概括性.
• 加强CNN的应用,以提高CBCT的图像质量.

主要方法:

• 采用U-net架构的CNN采用了两阶段的培训过程.
• 在几何幻影投影方面,CNN已经接受了预先培训,并在人类形象投影上使用转移学习 (TL) 进行了微调.
• 2D散射比 (SR) 地图被用作散射预测和CNN针对特定任务的再培训的目标.

主要成果:

• 预训练实现了准确的散射比率 (SR) 预测.
• 转移学习 (TL) 进一步提高了SR预测准确度,数据少得多,再培训时间更快.
• 美国有线电视新闻网 (CNN) 模型在人类形状结构中成功地进行了X射线散射校正.

结论:

• 建立了一种快速,低成本的方法,用于在CBCT散射校正中针对特定任务的CNN开发.
• 拟议的方法允许在CBCT中使用最小数据进行有效的分散校正.
• 开发的CNN模型显示,它有望在以前未见的解剖结构中纠正分散.