在X射线暗场计算机断层扫描中使用卷积神经网络去除条纹文物
Tom Kumschier1,2, Johannes Thalhammer1,2,3, Clemens Schmid1,2
1Chair of Biomedical Physics, Department of Physics, School of Natural Sciences, Technical University of Munich, Garching, Germany.
Medical physics
|July 16, 2024
概括
卷积神经网络 (CNN) 有效地减少X射线暗场计算机断层扫描 (DF CT) 图像中的条纹文物. 这种深度学习方法提高了放射学潜在临床应用的图像质量.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 射线计算机断层扫描 (CT) 对肺部等弱衰减器官有局限性.
- X射线暗场 (DF) 成像通过小角度散射提供了补充的结构信息.
- 人类规模的DF CT开发面临着影响图像解释的条纹文物挑战.
研究的目的:
- 为了证明使用CNN用于DF CT中的工件减少的可行性.
- 建立多轮扫描作为生成培训数据的方法.
- 为了提高图像质量,以提高DF CT的潜在临床采用.
主要方法:
- 采用了使用3D双UNet的监督深度学习方法.
- 使用实验性DF CT原型生成训练数据.
- 输入数据使用临床相关的,剂量兼容的扫描;基准真相使用扩展的,低人工物扫描.
主要成果:
- 经过训练的CNN显著减少了DF CT图像中的条纹文物.
- 图像质量指标得到了定量改进.
- 微妙的细节被保存下来,尽管输出图像比地面真相更光滑.
结论:
- 在X射线DFCT中,CNN显示了显著的潜力,可以减少X射线DFCT中的条纹文物.
- 在剂量相容的DF CT中提高图像质量对于临床放射学的采用至关重要.


