CTFlow:计算机断层扫描采集和重建的缓解影响与规范化流量
Leihao Wei1,2, Anil Yadav2, William Hsu2
1Department of Electrical & Computer Engineering, Samueli School of Engineering, University of California, Los Angeles, CA 90095, USA.
概括
CTFlow是一种规范化流量方法,它协调了用不同参数获得的计算机断层扫描 (CT) 扫描. 这种方法减少了图像质量的变化,并与其他方法相比提高了肺结节检测的一致性.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 机器学习 机器学习
背景情况:
- 计算机断层扫描 (CT) 扫描的外观因采集和重建参数而异,这对图像分析构成了挑战.
- 在不同环境中协调CT扫描对于一致的诊断性能至关重要.
研究的目的:
- 引入CTFlow,一种基于流量的新型规范化方法,用于协调CT扫描.
- 为了证明CTFlow能够减少图像质量变化并提高下游机器学习任务性能.
主要方法:
- CTFlow使用规范化流来学习CT重建的条件密度.
- 该方法产生了一系列可信的重建,捕捉固有的不确定性.
- 评价的任务是排毒和肺结节检测任务.
主要成果:
- 在基于峰值信号对噪声比率和感知质量的任务中,CTFlow在消除噪声方面表现优于现有的技术.
- 与基于GAN的协调相比,该方法在各种CT扫描中显示出更一致的肺结节检测性能.
结论:
- 规范化流提供了一个强大的方法,用于CT图像协调,解决剂量和内核差异的变化.
- CTFlow提高了图像质量,并提高了人工智能驱动的肺结节检测的可靠性.


