基于深度学习的CT降噪数据不确定性的评估,使用组合患者数据和虚拟成像试验框架
Zhongxing Zhou1, Scott S Hsieh1, Hao Gong1
1Department of Radiology, Mayo Clinic, Rochester, MN, 55905, USA.
概括
深度学习图像重建显示了详细的不确定性,但可能比传统方法更扭曲真相. 这种深度卷积神经网络 (DCNN) 方法为改进小结构检测提供了潜力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 基于深度学习的图像重建和降噪 (DLIR) 越来越多地用于临床CT.
- 评估数据不确定性对于理解DLIR对噪声的稳定性至关重要.
研究的目的:
- 使用真实患者数据和虚拟成像试验评估DLIR方法的数据不确定性.
- 将DLIR不确定性与过后投影 (FBP) 和代重建 (IR) 进行比较.
主要方法:
- 使用现实的投影域噪声插入生成的噪声实现.
- 研究了不同剂量水平和否定强度对基于ResNet的深卷积神经网络 (DCNN) 的影响.
- 使用虚拟成像试验框架与真实患者数据.
主要成果:
- 在DCNN的不确定性地图上显示的结构比IR更详细.
- DCNN偏差图显示结构依赖性较小,表明对输入变化的敏感性更高.
- DCNN不确定性的热点与潜在的真理扭曲相关,但也改善了小结构检测.
结论:
- 与IR相比,DCNN具有明显的不确定性特性,这对临床稳定性和性能有影响.
- 对于DCNN对输入变化的敏感性在临床应用中需要仔细考虑.
- 像DCNN这样的DLIR方法显示出增强CT成像中小结构检测的潜力.


