在非对比头部CT扫描中估计和补偿头部运动,使用部分角度重建和深度学习
Zhennong Chen1, Quanzheng Li1, Dufan Wu1
1Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School, Boston, Massachusetts, USA.
Medical physics
|April 3, 2024
概括
这项研究引入了一个深度学习模型,可以从部分角度重建 (PAR) CT 图像中准确估计头部运动,显著减少头部 CT 扫描中的文物.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机断层扫描 (CT) 是一种计算机断层扫描.
背景情况:
- 在CT扫描期间头部运动会导致人工物,降低图像质量,并可能导致误诊.
- 部分角度重建 (PAR) 在心脏CT中表现有前途,但其在头部CT中用于运动器件减少的应用尚未探索.
研究的目的:
- 开发一个深度学习 (DL) 模型,从PAR头部CT图像直接估计头部运动.
- 将基于DL的运动估计集成到代重建中,以获得工件补偿.
主要方法:
- 一个卷积神经网络 (CNN) 经过训练,从25个连续的 PAR 段中估计了代表头部运动 (翻译和旋转) 的 B-spline 控制点.
- 估计的运动参数被纳入了一个代重建算法的前向和后向投影步骤.
- 用模拟数据和物理幻影研究来验证模型性能.
主要成果:
- 在模拟 (0.28-0.45毫米/度) 和幻影研究 (0.40-0.48毫米/度) 中,DL模型准确地估计了低平均绝对误差 (MAE) 的头部运动.
- 运动校正的CT图像显示了实质性的文物减少 (模拟MAE:178至37HU;幻MAE:117至42HU).
- 图像质量显著提高,结构相似度指数 (SSIM) 从0.60增加到0.98 (模拟) 和0.83增加到0.98 (幻影).
结论:
- 拟议的DL模型有效地使用PAR数据估计头部运动.
- 这种方法显著减少了头部CT中的运动器件,提高了诊断准确度.
