一个基于深度学习的散射校正与水相当的路径长度图,用于数字放射学
Masayuki Hattori1,2, Hisato Tsubakiya3, Sung-Hyun Lee4
1Graduate School of Science and Engineering, Yamagata University, Yonezawa, 992-8510, Japan. m-hattori@med.id.yamagata-u.ac.jp.
Radiological physics and technology
|May 2, 2024
概括
一个新的深度学习模型使用水等效路径长度图准确地纠正数字放射学中的散射. 这种方法可以提高图像质量和对比度,而不需要物理放射学系统来训练数据.
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 放射学 放射学
背景情况:
- 散射辐射降低了数字放射学中的图像质量.
- 精确的散射校正对于诊断性能至关重要.
研究的目的:
- 开发和验证一个新的深度学习模型,用于数字放射学中精确的散射校正.
- 改进图像质量指标,例如峰值信号噪声比和结构相似性.
主要方法:
- 提出了一个基于U-Net的深度学习模型,包含一个像素智能水等价路径长度 (WEPL) 地图.
- 该模型使用来自3DCT图像和蒙特卡洛模拟的模拟数据进行训练.
- 通过使用定量指标和实际幻影与其他深度学习模型进行比较来评估性能.
主要成果:
- 与其他深度学习模型相比,拟议的模型实现了优越的峰值信号噪声比率 (44.24 ± 2.89 dB) 和结构相似性 (0.9987 ± 0.0004).
- 它在一个真实的幻影上展示了散射分数中最小的偏差.
- 与原始图像相比,图像对比度与噪声比率提高了16%,与格子图像相比,提高了82%.
结论:
- 拟议的深度学习模型有效地纠正数字放射学中的散射辐射.
- 该方法在图像质量和对比度上提供了显著的改进.
- 训练数据可以通过计算生成,从而消除了对物理放射学系统的需求.


