应用自我监督学习来评估胸部CT成像中的图像质量
Eléonore Pouget1,2, Véronique Dedieu1,2
1Department of Medical Physics, Jean Perrin Comprehensive Cancer Center, F-63000 Clermont-Ferrand, France.
Bioengineering (Basel, Switzerland)
|April 27, 2024
概括
一个新的自主监督学习 (SSL) 模型观察者准确地估计了低剂量CT扫描的热点观察者 (HO) 性能. 这种方法对优化CT成像协议具有前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 低剂量CT检查需要具有非线性特性的先进重建技术.
- 评估图像质量需要基于任务的措施.
- 霍特林观察员 (HO) 提供了最佳的线性观察员性能,但在计算上是复杂的.
研究的目的:
- 开发基于自主监督学习 (SSL) 的观察模型,用于估计低剂量胸部CT的HO性能.
- 为了解决传统HO方法的计算局限性.
主要方法:
- 一个双阶段模型,结合了卷积无声自动编码器 (CDAE) 来进行特征提取和维度减小.
- 一个支持向量机器 (SVM) 用于分类.
- 信号检测任务使用模拟低剂量胸部CT图像与不同的噪声结构.
主要成果:
- 基于CDAE的模型实现了与HO可比的检测性能.
- 拟议的SSL方法的性能优于单层神经网络 (SLNN) 和卷积神经网络 (CNN),训练数据有限.
- 该模型在不同的噪声结构中展示了强度.
结论:
- 基于SSL的模型观察器为低剂量CT图像质量评估提供了HO的有效和计算效率高的替代方案.
- 这种方法有可能在各种扫描仪平台上优化低剂量CT协议.
- 这些发现支持使用人工智能来增强医学成像分析.


