深度学习架构用于圆束计算机断层扫描头部成像中的散射估计,具有不同的测量场设置

科学领域:

• 医疗成像医学成像
• 计算成像技术的成像
• 医疗诊断中的人工智能

背景情况:

• 射线散射降低了圆束计算机断层扫描 (CBCT) 图像质量.
• 深度学习方法在分散估计方面显示出前景.
• 测量场 (FOM) 尺寸变化影响散射与初级比率,但在这些变化下,网络性能未得到充分研究.

研究的目的:

• 在CBCT中评估和改进基于深度学习的X射线散射估计性能,跨多种FOM大小.
• 开发一种集成FOM大小信息的方法,以提高散射估计的稳定性.

主要方法:

• 通过将其转换为两个通道并连接到网络编码器,将FOM大小纳入为输入特征.
• 三个最先进的网络 (U-Net,Spline-Net,DSE-Net) 接受了培训,并没有提供FOM信息.
• 模型分别在18个和30个未见的FOM大小的蒙特卡洛模拟数据上进行训练和测试,并在幻影和临床CBCT数据上进行验证.

主要成果:

• 在经过测试的网络中,FOM增强的方法将2D投影领域的平均平均绝对百分比误差降低了33-40%.
• 3D重建卷中的平方根平均误差提高了23-43%.
• 在水幻影和临床CBCT数据集上观察到增强的对比度和图像质量.

结论:

• 整合FOM大小信息显著提高了CBCT散射估计神经网络的稳定性和准确性.
• 这种方法可以通过结合管电压,扫描几何和患者大小等其他变量来扩展,以进一步提高网络性能.