使用卷积神经网络将单能CT转换为双能CT的参数图
Sangwook Kim1,2, Jimin Lee1,3, Jungye Kim4
1Department of Nuclear Engineering, Ulsan National Institute of Science and Technology, Ulsan 44919, Republic of Korea.
The British journal of radiology
|April 10, 2024
概括
本研究引入了一个深度学习模型,该模型将单能CT (SECT) 图像转换为双能CT (DECT) 参数图像,如虚拟单色图像 (VMIs),有效原子数 (EAN) 和相对电子密度 (RED). 这允许从SECT进行参数数据的回顾性分析,而不需要DECT扫描仪.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 双能CT (DECT) 提供了先进的材料分解能力.
- 从DECT生成参数图 (虚拟单色图像,有效原子数,相对电子密度) 可以增强诊断信息.
- 单能CT (SECT) 是更广泛的可用,但缺乏DECT的材料分解能力.
研究的目的:
- 开发和评估深度学习 (DL) 多任务框架,用于直接将SECT转换为DECT参数图.
- 从SECT数据中生成虚拟单色图像 (VMIs),有效原子数 (EAN) 和相对电子密度 (RED).
- 为了方便从现有的SECT数据集中对参数信息进行回顾性分析,而不需要DECT获取.
主要方法:
- 提出了一个基于卷积神经网络的DL多任务学习框架.
- 该框架包括VMI-Net用于VMIs,EAN-Net用于EAN,以及RED-Net用于RED转换.
- 该模型在67名患者的数据上进行了训练和验证,使用120kVp的SECT图像作为输入和相应的DECT衍生参数图作为目标.
主要成果:
- 与地面真相相比,VMI-Net获得了9.02 HU的绝对差异 (AD) 和0.41%的VMIs相对差异 (RD).
- 转换后的EAN和RED地图显示ADS分别为0.29和0.96.
- 对应的EAN和RED的RD分别为1.99%和0.50%,显示出高精度.
结论:
- 深度学习可以直接将SECT转换为多个DECT参数图 (VMIs,EAN,RED).
- 这种方法可以从SECT图像中生成有价值的参数信息,而不需要DECT设备.
- 开发的DL框架支持对SECT参数数据的回顾性调查,增强其临床实用性.
更多相关视频
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.2K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
585
