计算机断层扫描中的金属工件减少监督深度学习的进展:系统性审查
Cecile E J Kleber1, Ramez Karius1, Lucas E Naessens1
1Department of Clinical Technology, Faculty of Mechanical Engineering, Delft University of Technology, Delft, the Netherlands.
European journal of radiology
|September 12, 2024
概括
深度学习算法显著减少CT扫描中的金属工件,改善图像质量. 这些先进的金属工件减少 (MAR) 技术的临床评估需要进一步的标准化.
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:
- 在CT成像中,金属工件会降低图像质量和诊断准确度.
- 基于深度学习 (DL) 的金属工件减少 (MAR) 算法正在出现临床用途.
研究的目的:
- 系统地审查在CT监督的DL基于MAR算法的性能.
- 专注于阴影图,图像和双域.
主要方法:
- 在主要数据库 (PubMed,EMBASE,科学网,Scopus) 中进行文献搜索.
- 使用PSNR和SSIM等客观措施评估MAR算法性能.
- 基于DL的MAR与未经纠正的图像和非DL方法进行了比较.
主要成果:
- 包括14项研究,比较DL-MAR算法与未经纠正的图像.
- 13个DL-MAR算法显示出优越的PSNR和SSIM值.
- 一项研究显示,使用Hounsfield单位计算的临床数据显著改善.
结论:
- 监督的DL-MAR算法在减少金属文物和提高CT图像质量方面显示出有前途.
- 标准化的评估方法对于比较DL-MAR算法在临床数据上的性能至关重要.


