在光子计数探测器CT中改进了噪声降低,使用先前知识意识的代性否定神经网络
Shaojie Chang1, Jeffrey F Marsh1, Emily K Koons1
1Mayo Clinic, Department of Radiology, Rochester, Minnesota, United States.
Journal of medical imaging (Bellingham, Wash.)
|May 27, 2024
概括
一个新的深度学习网络,PKAID-Net,显著减少光子计数探测器CT虚拟单能图像中的噪声. 这种方法可以保持图像质量和细节,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 光子计数探测器 (PCD) CT 可实现高分辨率 (HR) 虚拟单能图像 (VMIs).
- 在VMIs中的图像噪声可能会降低诊断质量和准确性.
- 开发有效的除技术对于PCD-CT应用至关重要.
研究的目的:
- 开发和评估一个以先前知识为基础的代性否定神经网络 (PKAID-Net).
- 为了减少来自PCD-CT扫描的HR VMIs中的图像噪声.
- 利用不同能量级别的VMIs独特的噪声特性.
主要方法:
- PKAID-Net使用低噪音的VMI作为先前输入.
- 它反复地改进了培训数据集,以提高报废性能.
- 该研究包括10个冠状动脉CT血管造影检查,以各种keV水平重建.
主要成果:
- 与过后投影相比,PKAID-Net实现了96%的噪声降低.
- 与代重建相比,观察到相对降低65%的噪音.
- 空间和光谱的真实性,以及自然的噪音纹理,都得到了保留.
结论:
- PKAID-Net有效地减少了来自PCD-CT的HR VMIs中的噪音.
- 该方法保持了至关重要的空间和光谱保真性.
- 循序渐进的数据改进提高了无效的稳定性,并最大限度地减少了空间细节的损失.


