简介: SEA-Net:结构增强的注意力网络为有限角度CBCT临床投影数据的重建

科学领域:

• 医疗成像医学成像
• 放射治疗技术 放射治疗技术
• 医疗保健中的人工智能

背景情况:

• 圆束计算断层扫描 (CBCT) 对于放射治疗 (RT) 患者的设置至关重要.
• 标准的CBCT需要很长的获取时间,增加运动器件风险和辐射剂量.
• 有限角CBCT (LA-CBCT) 提供了缩短的扫描时间,但受到人工制品和扭曲的影响.

研究的目的:

• 开发和评估用于LA-CBCT重建的深度学习 (DL) 方法,使用真实临床投影数据.
• 解决LA-CBCT中形文物和图像扭曲的挑战.
• 确定基于DL的LA-CBCT在临床应用中的可行性.

主要方法:

• 探索各种DL方法,包括图像,数据和混合域方法.
• 开发一个新的结构增强注意力网络 (SEA-Net).
• SEA-Net包含一个结构增强子网络,用于纹理保存,以及一个空间注意模块,用于处理非统一的文物.

主要成果:

• 与其他实施的DL方法相比,SEA-Net在临床投影数据上实现了更高的图像质量.
• 网络有效地保留了图像纹理.
• 空间注意力通过关注相关区域来提高纹理恢复的准确性.

结论:

• 开发的SEA-Net显示了使用真实临床数据改善LA-CBCT图像质量的巨大潜力.
• 这项工作是基于临床预测数据的LA-CBCT的关键可行性研究.
• 这些发现支持LA-CBCT的进步,以减少RT中的扫描时间和辐射剂量.