预计的代数重建技术网络用于高保真性扩散光断层扫描重建

科学领域:

• 生物医学光学 生物医学光学
• 医学成像医学成像
• 计算机成像成像技术

背景情况:

• 扩散光断层扫描 (DFT) 对于体内成像至关重要.
• 像代数重构技术 (ART) 这样的传统方法在图像质量和稳定性方面面临限制.
• 将基于模型的方法与神经网络集成为改进提供了一个有希望的途径.

研究的目的:

• 开发一种先进的算法,用于在扩散光断层扫描中进行高保真图像重建.
• 为了提高DFT成像的噪声稳定性和定量准确性.
• 用数值模拟,幻影实验和体内研究来验证拟议的方法.

主要方法:

• 提出了一个以模型驱动的预测代数重建技术 (PART) 网络 (PART-Net).
• 将非负面的先前信息纳入ART代过程中.
• 结合PART与剩余卷积神经网络进行高保真重建.

主要成果:

• 与传统的ART相比,PART-Net在噪声稳定性和重建精度 (1-2 倍高) 中显示出显著的改进.
• 该算法显示出优越的空间分辨率和量化,特别是对于小目标 (r=2mm).
• 幻影和体内实验证实了PART-Net的有效性和强大的泛化能力.

结论:

• PART-Net有效地提高了扩散光断层扫描中的图像质量.
• 该算法在噪声稳定性,准确性和空间分辨率方面提供了卓越的性能.
• PART-Net显示了生物医学成像中的实用应用的巨大潜力.