使用无数据集学习的低剂量CT重建
Feng Wang1, Renfang Wang1, Hong Qiu1
1College of Big Data and Software Engineering, Zhejiang Wanli University, Ningbo, Zhejiang, China.
PloS one
|June 14, 2024
概括
本研究介绍了一种无监督,无培训的低剂量计算机断层扫描 (LDCT) 重建方法. 这种新的方法有效地减少了噪音,并保留了LDCT图像中的细节,而不需要配对低剂量和标准剂量数据.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 图像重建 图像的重建
背景情况:
- 低剂量计算机断层扫描 (LDCT) 对于减少医学成像中的辐射暴露至关重要.
- 对LDCT重建的监督深度学习方法需要广泛的配对低剂量和标准剂量培训数据,限制了实际应用.
- 现有的重建算法经常在LDCT中与噪声抑制和细节保存作斗争.
研究的目的:
- 开发一种无监督,无数据的培训方法,以增强最不发达国家图像重建.
- 消除对配对低剂量和正常剂量CT图像的大数据集的需求.
- 通过减少噪音和保持精细结构来提高最不发达国家重建的质量.
主要方法:
- 一种使用神经网络训练的后处理技术.
- 尽量减少CT测量和模拟的阴影图数据之间的l1-规范距离.
- 同时最小化重建图像的总变化 (TV),而不需要手动重量调整.
主要成果:
- 在LDCT图像中有效抑制噪声.
- 保存精细的解剖结构.
- 在AAPM挑战和LoDoPab-CT数据集上展示了快速融合和低计算成本.
结论:
- 建议的无监督方法提供了一个可行的解决方案,可以在没有大量培训数据的情况下进行高质量的LDCT重建.
- 这种方法通过提高图像质量和减少辐射风险,提高了LDCT在临床环境中的实际适用性.
- 该方法在降低噪音和保存细节方面的效率和有效性通过实验结果得到验证.
