从感知质量角度对低剂量计算机断层扫描基于深度学习的denoising进行系统审查
Wonjin Kim1,2, Sun-Young Jeon3, Gyuri Byun3
1Department of Mechanical Engineering, Korean Advanced Institute of Science and Technology, 291, Daehak-ro, Yuseong-gu, Daejeon, 34141 Korea.
Biomedical engineering letters
|October 28, 2024
概括
低剂量计算机断层扫描 (LDCT) 的深度学习需要优先考虑感知质量. 先进的方法专注于产生临床相关的细节,超越传统的指标,以获得更好的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 低剂量计算机断层扫描 (LDCT) 减少了辐射暴露,但受到图像噪声的影响,影响了诊断准确性.
- 当前的深度学习方法往往过于平滑图像,由于依赖PSNR和SSIM等客观指标,失去了关键的诊断细节.
研究的目的:
- 探索先进的深度学习技术,以提高LDCT图像的感知质量.
- 为了生成诊断质量的LDCT图像,这些图像在临床实践中是首选的.
- 为了解决当前基准的局限性和感知质量评估的主观性质.
主要方法:
- 审查和对比目前的深度学习方法对于LDCT denoising.
- 专注于先进的技术,包括感知损失函数和生成对抗网络 (GAN).
- 对平衡感知和诊断质量的方法的系统分析.
主要成果:
- 确定了客观指标 (PSNR,SSIM) 在LDCT图像中保存关键细节方面的局限性.
- 突出了感知损失函数和GANs在改善图像质量的潜力.
- 强调需要与临床诊断需求一致的评估指标.
结论:
- 迫切需要深度学习方法,以平衡LDCT的认知和诊断质量.
- 未来的研究应该专注于开发用于临床相关图像重建的新方法和评估策略.
- 提高感知质量对于提高LDCT扫描的诊断效用至关重要.
