对概率图像重建的度量指导的符合性边界

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 符合规范的预测.

背景情况:

• 深度学习重建算法从有限的数据创建现实的医学扫描.
• 这些算法可能会引入不准确性,阻碍对患者状态的统计上有保证的说法.
• 现有的方法很难从重建的图像中提供可靠的评估.

研究的目的:

• 开发一个计算可证明有效预测边界的框架,用于概率黑子图像重建.
• 为了确保统计上有保证的关于受试者的真实状态的说法,从重建的扫描.
• 提高基于深度学习的医学图像分析的可靠性和可解释性.

主要方法:

• 使用相关的衍生临床指标来表示重建的扫描.
• 校准预测局限于具有符合性预测 (CP) 的地面真实度量.
• 使用先前校准数据集进行准确的边界估计.
• 将框架应用于稀疏视图计算机断层扫描 (CT) 用于脂肪质量量定量和放射治疗计划.

主要成果:

• 与传统基于像素的方法相比,拟议的框架产生了具有优越语义解释的边界.
• 它可以识别看起来合理但在统计学上不太可能的异常重建.
• 稀疏视图CT在临床应用中,如脂肪质量量定量和放射治疗规划中已被证明具有实用性.

结论:

• 该框架为基于深度学习的图像重建提供了统计上有保证的,可解释的预测界限.
• 它提高了来自稀疏视图CT的临床评估的可靠性.
• 该方法有效地标记了潜在的危险异常重建,提高了患者的安全.