降低大脑CT中的噪音:使用多个参数对深度学习和混合代重建进行比较研究
Yusuke Inoue1, Hiroyasu Itoh2, Hirofumi Hata2
1Department of Diagnostic Radiology, Kitasato University School of Medicine, Sagamihara 252-0374, Japan.
Tomography (Ann Arbor, Mich.)
|December 27, 2024
概括
深度学习重建 (DLR) 降低了脑CT扫描中的噪音,特别是在薄片的情况下. 它的有效性因切片厚度,管流和被成像的物体而异,与混合代重建 (HIR) 不同.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 图像处理 图像处理
背景情况:
- 计算机断层扫描 (CT) 对于脑部成像至关重要.
- 扫描图像中的噪音会降低诊断质量.
- 先进的重建技术旨在提高图像质量和减少噪音.
研究的目的:
- 为了比较深度学习重建 (DLR) 和混合代重建 (HIR) 在脑CT中的降噪能力.
- 评估像切片厚度和管流等参数对两种方法降噪的影响.
主要方法:
- 用过后投影 (FBP),DLR和HIR在各种切片厚度 (0.625-5毫米) 上重建了幽灵和11名患者的CT图像.
- 使用FBP作为参考来量化噪声降低比率.
- 图像质量的视觉评估与DLR和HIR进行了比较,用于具有类似降噪的图像.
主要成果:
- 无论是DLR还是HIR,在更高的重建水平下,噪音降低都增加了.
- DLR的降噪显著取决于切片厚度,在较薄的切片上更有效.
- 与DLR相比,HIR对切片厚度的依赖性较小,其性能在不同的成像对象中变化较小.
结论:
- 在脑CT中DLR的降噪效果受到切片厚度,管流和成像对象的影响.
- 对于薄片脑CT成像来说,DLR特别有前途,可能提供更优质的图像质量.
- 临床应用DLR需要考虑这些影响因素以获得最佳结果.
