弱监督的低剂量计算机断层扫描基于生成对抗网络的否定
Peixi Liao1, Xucan Zhang2, Yaoyao Wu3
1Department of Stomatology, The Sixth People's Hospital of Chengdu, Chengdu, China.
Quantitative imaging in medicine and surgery
|August 15, 2024
概括
这项研究引入了一种用于低剂量计算机断层扫描 (LDCT) 图像的新无声网络,可以有效地消除噪声,而不需要配对数据. 该方法显著提高了图像质量,在保存细节和结构完整性方面超过了现有的技术.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 图像处理 图像处理
背景情况:
- 低剂量计算机断层扫描 (LDCT) 减少了辐射暴露,但可能会损害图像质量,影响诊断.
- 现有的LDCT消毒方法通常需要配对低剂量和正常剂量的CT图像,这些图像很难获得.
- 目前的技术难以将图像细节与噪音区分开来,限制了无声化效果.
研究的目的:
- 为最不发达国家/地区的图像开发一个创新的无色化框架,利用未配对数据.
- 为了克服医学成像中的配对数据依赖方法的局限性.
- 通过提高图像质量,提高LDCT扫描的临床诊断效用.
主要方法:
- 为LDCT图像提出了一种无声化的卷积神经网络 (DNCNN).
- 采用生成对抗网络 (GAN) 来学习噪声模式,并建立从伪LDCT到正常剂量CT (NDCT) 域的映射.
- 开发了一个不需要对齐的LDCT和NDCT图像对进行培训的框架.
主要成果:
- 与CycleGAN和SKFCycleGAN相比,在模拟数据上实现了优异的目标指标 (PSNR,SSIM,VIF).
- 在临床数据上表现出色,无参考结构度 (NRSS) 值最接近NDCT图像.
- 超越了像BM3D,RED-CNN和WGAN-VGG这样的监督方法,以及监督弱的方法 (CycleGAN,SKFCycleGAN).
结论:
- 拟议的未配对的LDCT拒绝框架在提高图像质量方面非常有效.
- 该方法在保存图像细节,保持结构完整性和改善边缘对比度方面表现出色.
- 这种方法为LDCT成像的临床应用提供了重大进展.
