在低剂量计算机断层扫描中无监督和自我监督的学习 Denoising:从培训策略的见解
Feixiang Zhao1,2, Mingzhe Liu1,3, Mingrong Xiang4,5
1School of Data Science and Artificial Intelligence, Wenzhou University of Technology, Ouhai District, Wenzhou, 325000, Zhejiang, China.
Journal of imaging informatics in medicine
|September 4, 2024
概括
使用深度学习进行低剂量计算机断层扫描 (LDCT) 断层检测对于减少辐射暴露至关重要. 本综述根据培训策略对无监督和自我监督的深度学习方法进行分类,为临床应用提供指导.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 低剂量计算机断层扫描 (LDCT) 减少了患者的辐射暴露,但受到噪声的影响,影响了诊断质量.
- 深度学习 (DL) 方法对LDCT由于优异的特征提取而有效.
- 监督DL训练具有挑战性,因为难以获得配对的低剂量和正常剂量的CT图像.
研究的目的:
- 综合审查未监督和自我监督的深度学习策略,以对最不发达国家和地区进行反.
- 为该领域的研究人员和从业人员提供见解和指导.
- 填补现有文献中关于最不发达国家培训战略的空白.
主要方法:
- 根据培训策略,将LDCT指代方法分为六组:循环一致性,分数匹配,噪声统计特征,相似性,LDCT合成模型和混合方法.
- 深入分析每个类别的理论基础,培训策略,优势和局限性.
- 审查的LDCT拒绝方法的开源代码的摘要.
主要成果:
- 确定并分类了六个不同的培训策略组,用于基于深度学习的无监督和自我监督的LDCT反.
- 详细概述了每个类别中的方法,优点和缺点.
- 编制了可用的开源实现资源,以便在实践中应用.
结论:
- 无监督和自我监督的深度学习方法为实际的LDCT揭露提供了有希望的解决方案.
- 了解不同的培训策略是推动LDCT临床应用的关键.
- 需要进一步的研究来解决未解决的问题,并探索LDCT谴责的未来方向.
