提高骨扫描图像质量:一种改进的自我监督的无声化方法
Si Young Yie1,2,3,4, Seung Kwan Kang5, Joonhyung Gil4
1Interdisciplinary Program in Bioengineering, Seoul National University, Seoul, Republic of Korea.
Physics in medicine and biology
|September 23, 2024
概括
深度学习的图像消除提高了骨扫描质量,减少了高达75%的扫描时间,而不会牺牲诊断准确度. 这种新的技术通过使用先进的AI模型增强了骨损伤评估.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 核医学就是核医学.
背景情况:
- 骨扫描对于骨损伤的评估至关重要,但在马相机成像中面临着低灵敏度和高噪声的局限性.
- 深度学习 (DL) 提供了在不增加辐射或扫描时间的情况下提高图像质量的潜力.
- 如Noise2Noise (N2N) 等现有的自我监督的无声化方法可能会在骨扫描中引入与临床标准的偏差.
研究的目的:
- 为骨头扫描提出一个改进的自我监督的剥离技术.
- 为了最大限度地减少基于DL的无色化图像和全扫描图像之间的差异.
- 为了评估DLdenoising对于缩短时间的骨扫描的临床实用性.
主要方法:
- 对351个全身骨扫描数据集的回顾性分析.
- 使用了Noise2Noise (N2N),Noise2FullCount (N2F) 和插入的N2N (iN2N) 否定模型.
- 训练网络,减少扫描时间 (5-50%) 和混合数据集;进行定量和临床评估.
主要成果:
- DL无声化模型生成的图像类似于全扫描; iN2N与全扫描图案密切相似.
- 定量分析表明,通过更长的输入时间和混合计数培训,改进了无声化.
- 临床评估偏爱N2N和iN2N的分辨率,噪音,模糊性,以及季度扫描中的发现.
结论:
- 改进的自我监督的denoising技术有效地提高了骨扫描图像质量,最大限度地减少了与临床标准的偏差.
- 该方法在不影响诊断性能的情况下,对季度扫描具有前景.
- 这种方法可以改善骨扫描的解释,并有助于准确的临床诊断.
