在使用卷积神经网络的平面面板探测器中对死探测器元素的二元分类
Jon Box1, Erich Schnell1, Isaac Rutel1
1The University of Oklahoma Health Sciences Center, 940 NE 13th St. Garrison Tower, Suite 3G3210, Oklahoma City, OK 73104, United States of America.
Biomedical physics & engineering express
|June 13, 2024
概括
医学物理学家现在可以使用一种新的技术来识别数字放射系统中的故障像素. 该方法采用卷积神经网络 (CNN) 和三个平面场图像,准确地绘制死检测器元素,提高质量保证.
科学领域:
- 医学物理 医学物理
- 放射性成像技术 放射性成像技术
- 计算机视觉 计算机视觉
背景情况:
- 数字放射学系统使用平板探测器,随着时间的推移,由于检测器元件的故障而降解.
- 这些故障元素或"死像素"降低了整体图像质量,它们的校正数据通常是供应商的专有产品,限制了物理学家的访问.
- 对于在这些系统上执行质量保证 (QA) 的医学物理学家来说,准确识别死检测器元素至关重要.
研究的目的:
- 开发和验证一种新的技术,以单个像素分辨率对平面面板探测器的死探测器元素进行分类.
- 评估开发技术在不同的探测器,可能来自不同供应商的普遍性.
- 为医学物理学家提供一个独立质量保证数字放射学系统的工具.
主要方法:
- 使用卷积神经网络 (CNN) 开发了一种新技术来分类死检测器元素.
- 该技术需要获取三个平面场 (噪声) 图像进行处理.
- 通过在一个探测器上进行训练和在另一个探测器上进行验证来测试模型的概括能力,并使用跨图像的标准偏差进行预处理.
主要成果:
- 在三张图像中使用标准偏差预处理的模型实现了F1分数从0.4527到0.8107的F1分数,并从0.5420到0.9303.3的回忆.
- 与高暴露数据集相比,在低暴露数据集上训练时,性能通常更好.
- 仅使用原始像素数据的模型无法在检测器之间进行概括,与预处理模型不同.
结论:
- CNNs可以有效地预测单个像素分辨率的死探测器元素地图,为医学物理学家提供一种有价值的工具.
- 开发的技术在向不同的探测器推广方面取得了适度的成功,尽管需要对各供应商进行进一步的调查.
- 仅获取三个平面场图像就足以实现这种质量保证工具,可能不需要高曝光设置.
