通过从本地信息中进行深度学习,探索使用光子计数探测器的像素间巧合计数器进行电荷共享补偿

科学领域:

• 医疗成像医学成像
• 探测器物理学的物理
• 机器学习 机器学习

背景情况:

• 光子计数探测器 (PCD) 在计算机断层扫描 (CT) 中具有优势,但面临诸如电荷共享等挑战,限制了其诊断潜力.
• 多能互像素巧合计数器 (MEICC) 提供空间信息以解决电荷共享,可能降低克拉梅尔-拉奥下界 (CRLB).

研究的目的:

• 探索MEICC探测器中的负荷共享补偿,使用利用局部空间巧合计数信息的深度学习方法.
• 与传统PCD相比,评估深度学习方法在改善虚拟单色衰减积分 (VMAI) 估计方面的有效性.

主要方法:

• 一个深度学习网络被设计为专注于单个像素,使用MEICC数据补丁作为负载共享补偿的输入.
• 开发了一种快速的在线数据生成方法和一种新的高噪音数据损失函数.
• 使用蒙特卡洛 (MC) 模拟数据进行验证,将MEICC检测器与传统PCD进行比较.

主要成果:

• 深度学习方法在VMAI估计中实现了最小偏差 (0.6-1.3%) 和减少标准偏差/NRMSE,优于多项式拟合 (>3%偏差).
• 在所有指标上,MEICC探测器表现出卓越的性能,与传统PCD相比,噪音降低了约10%.
• 一项废除研究证实了对于高噪音数据训练的额外损失函数的好处.

结论:

• 基于网络的方法可以有效地利用PCDs的本地信息,通过基于补丁的学习来支付费用共享补偿.
• MEICC探测器提供有价值的局部空间信息,能够比传统的PCD更准确地估计VMAI.
• 拟议的深度学习方法通过减轻电荷共享器件来增强诊断CT成像.