在光谱CT中进行无监督剥离:为能源通道规范化提供多维U-Net
Raziye Kubra Kumrular1, Thomas Blumensath1
1Institute of Sound and Vibration Research, Department of Engineering and the Environment, University of Southampton, University Rd., Southampton SO17 1BJ, UK.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
噪声2反向图像消噪有效地减少了光谱计算机断层扫描 (CT) 数据中的噪声. 这种无监督的深度学习方法可以在没有复杂的参数调整的情况下增强定量材料识别.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 图像处理 图像处理
背景情况:
- 光谱计算机断层扫描 (CT) 使用光子计数探测器 (PCD) 技术提供了依赖于能量的X射线衰减数据.
- 由于在多个能量通道中光子计数较低,光谱CT中的噪声增加阻碍了物质的定量识别.
- 有效的降噪对于在工业,医学和研究中推进光谱CT应用至关重要.
研究的目的:
- 调查Noise2Inverse图像消噪方法在光谱CT降噪方面的有效性.
- 开发和评估用于光谱CT消除噪声的无监督深度学习模型.
- 评估拟议方法的性能与现有的定量材料识别技术相比.
主要方法:
- 实现了一个基于多维U-Net架构的无监督深度学习模型.
- 使用基于区块的训练方法,对能量通道规范化进行修改.
- 在模拟的光谱CT幻影和具有K边缘的真实生物样本上进行了实验.
主要成果:
- 与无监督的Low2High和总变异受约束的代重建方法相比,Noise2Inverse方法在降噪方面表现优越.
- 包括峰值信号与噪声比率 (PSNR),结构相似性指数 (SSIM) 和对比与噪声比率 (CNR) 在内的定量指标证实了无声化方法的有效性.
- 该模型在不需要复杂的参数调的情况下实现了显著的降噪.
结论:
- 噪声2反向消噪方法是一种高效和用户友好的解决方案,用于减少光谱CT中的噪声.
- 这种方法显著提高了光谱CT成像中的定量材料识别能力.
- 无监督深度学习策略为推进光谱CT数据分析和应用提供了一个有希望的方向.
