无监督域调整通过贝叶斯的不确定性对齐低剂量CT重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算成像技术的成像

背景情况:

• 低剂量计算机断层扫描 (LDCT) 旨在减少辐射暴露,同时保持图像质量.
• 对于最不发达国家重建的深度学习 (DL) 模型,由于训练和测试数据之间的领域转移,其性能下降.
• 无监督域调整 (UDA) 方法调整数据分布,但往往忽视不确定性量化,并可能导致内容不匹配.

研究的目的:

• 开发一种先进的UDA方法用于LDCT重建,其中包括不确定性量化.
• 解决现有的UDA技术中的内容不匹配问题,用于跨患者的LDCT重建.
• 在各种临床场景中提高基于DL的LDCT重建的可靠性和性能.

主要方法:

• 提出了一个概率重建框架,以尽量减少潜在空间和图像空间的联合差异.
• 贝叶斯不确定性对齐在潜空间中引入,以减少目标域数据中的认识学差距和不确定性.
• 在图像空间中使用敏度感应分布对齐 (SDA) 来匹配二阶统计数据并确保图像的清晰度.

主要成果:

• 与模拟和临床LDCT数据集的现有方法相比,拟议的方法显示出优越的定量和视觉性能.
• 贝叶斯不确定性对齐有效地减少了目标域数据中的不确定性,从而导致更好的重建.
• 敏度感知分布对齐确保重建的目标域图像具有与正常剂量CT (NDCT) 图像相似的敏度.

结论:

• 新的概率UDA框架显著提高LDCT图像重建质量和可靠性.
• 整合不确定性量化和敏度感知对齐克服了医疗成像中以前的UDA方法的局限性.
• 这种方法有望在临床实践中实现强大而可靠的AI驱动的医学图像分析.