用新的算法和机器学习来减少部和肩部植入器的CT金属工件:通过对对和网络元分析进行系统审查
1Discipline of Medical Imaging Science, Faculty of Medicine and Health, University of Sydney, NSW 2006, Australia.
Radiography (London, England : 1995)
|November 7, 2024
概括
机器学习 (ML) 方法在计算机断层扫描 (CT) 图像中显著减少金属工件,而不会影响图像质量. 这些新的ML工具提供比传统的统计算法更快的计算时间,用于改进CT成像.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 计算机断层扫描 (CT) 中的金属假肢会导致显著的工件,阻碍图像质量和诊断准确性.
- 现有的金属工件减少 (MAR) 工具的有效性各不相同,其对图像质量的影响往往不明确.
- 本文重点介绍了风扇光束CT的新型MAR方法,特别是从部和肩部植入物中获得的大型金属工件.
研究的目的:
- 系统地审查和评估最近开发的金属工件减少 (MAR) 方法在风扇光束CT中的有效性.
- 评估这些新型MAR技术对整体图像质量的影响.
- 为了比较统计算法的性能与MAR的机器学习 (ML) 方法.
主要方法:
- 在五个主要的电子数据库 (MEDLINE,Scopus,Web of Science,IEEE,EMBASE) 中使用PRISMA检查清单进行了系统的文献搜索.
- 包括评估部和肩部植入物风扇光束CT图像的新型MAR方法的研究.
- 使用NIH工具评估了研究质量,在R中进行了元分析,并对非元分析结果进行了叙事综合.
主要成果:
- 审查了36项研究,包括20种统计算法和16种机器学习 (ML) 方法.
- 网络元分析表明,反复神经网络MAR (RNN-MAR) 在降低噪音方面表现出色,而不会影响图像质量.
- 新的MAR方法,特别是基于ML的方法,与过后投影 (FBP) 等基线算法相比,表现出优异的降噪,计算时间更快.
结论:
- 机器学习 (ML) 工具代表了一种更有效的方法来减少CT图像中的金属工件,提供更好的降噪和更快的处理.
- 新的MAR方法在减少图像噪声方面通常优于基线重建.
- 进一步的实施研究对于确定基于ML的MAR技术在常规实践中的临床适用性至关重要.
