对于变化深度学习的对抗EM:在低剂量PET和低剂量CT中用于半监督图像质量增强的应用
Vatsala Sharma1, Suyash P Awate1, 1
1Computer Science and Engineering (CSE) Department, Indian Institute of Technology (IIT) Bombay, Mumbai, India.
Medical image analysis
|August 9, 2024
概括
我们介绍Adversarial EM (AdvEM),这是一个深度学习框架,用于增强低剂量正电子发射断层扫描 (PET) 和X射线计算机断层扫描 (CT) 图像. 这种方法提高了图像质量,同时需要更少的正常剂量图像进行训练.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 低剂量正子发射断层扫描 (PET) 和X射线计算机断层扫描 (CT) 扫描通常会导致图像质量下降.
- 图像质量的恶化限制了医学成像中的诊断准确性.
- 开发改善低剂量成像的方法对于患者的安全性和诊断疗效至关重要.
研究的目的:
- 提出一个新的深度神经网络 (DNN) 框架,Adversarial EM (AdvEM),用于提高低剂量PET和CT的图像质量.
- 开发一种半监督变种 (ssAdvEM),需要较少的正常剂量图像进行训练.
- 为增强图像提供每像素不确定性估计.
主要方法:
- AdvEM使用了一个编码器-解码器架构,具有多尺度隐性空间和通用高斯模型.
- 该框架包括基于期望最大化 (EM) 的学习和对抗性训练以实现稳健性.
- 一个大都会 - 黑斯廷斯方案被用于从后部分布的潜空间采样.
主要成果:
- 在低剂量PET和CT数据中,AdvEM和ssAdvEM显示出显著的图像质量提升.
- 半监督方法 (ssAdvEM) 有效地从有限数量的正常剂量图像中学习.
- 提出的方法提供可靠的每像素不确定性估计,有助于诊断解释.
结论:
- AdvEM和ssAdvEM代表了一种强大的新方法,用于低剂量医疗图像增强.
- 与现有方法相比,这些框架提供了更好的图像质量和稳定性.
- 从有限的正常剂量数据中学习的能力使ssAdvEM在临床环境中特别有价值.
