基于DeepCB-XLCT网络的双重和多目标圆束X射线发光计算机断层扫描
Tianshuai Liu1,2, Shien Huang1,3, Ruijing Li1,2
1Biomedical Engineering Department, Fourth Military Medical University, Xi'an 710032, China.
Bioengineering (Basel, Switzerland)
|September 27, 2024
概括
DeepCB-XLCT是一种新的深度学习方法,显著提高了X射线发光计算断层扫描 (XLCT) 图像重建质量. 这种先进的技术增强了对比度,形状相似性和多目标成像能力,用于更深入,更清晰的生物光学成像.
科学领域:
- 医疗成像医学成像
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 圆束X射线发光计算机断层扫描 (CB-XLCT) 是一种使用X射线可激发纳米粒子的混合成像模式.
- 与生物发光断层扫描 (BLT) 和光分子断层扫描 (FMT) 等传统技术相比,CB-XLCT提供了更大的成像深度和减少了自发光.
- 由于复杂的激发和光散射,CB-XLCT反向问题的固有不良性质限制了重建质量.
研究的目的:
- 引入一个先进的深度学习网络,DeepCB-XLCT,用于高保真 CB-XLCT 重建.
- 提高CB-XLCT成像中内部纳米粒子分布的精度和形状恢复.
- 在CB-XLCT重建中克服传统线性模型的局限性.
主要方法:
- 开发了一个端到端的三维深度编码器解码器网络 (DeepCB-XLCT).
- 实现了结构相似性损失 (SSIM) 以提高目标形状保真度.
- 纳入了特定区域的损失条款,以专注于感兴趣的领域.
主要成果:
- 与传统方法相比,DeepCB-XLCT在数值模拟和幻影实验中显示出更高的重建精度.
- 在体内实验中,两个目标的对比度和噪声比率以及形状相似性得到了增强.
- 三个目标的断层图像证实了多目标CB-XLCT成像的潜力.
结论:
- 深CB-XLCT网络有效地提高了CB-XLCT重建的质量.
- 该方法最大限度地减少了与简化线性模型相关的重建不准确性.
- DeepCB-XLCT显示了先进的多目标分子成像应用的前景.
