基于深度学习的多视图投影合成方法,以提高图像引导放射治疗中稀疏视图CBCT的质量
Xuzhi Zhao1, Yi Du2,3, Yahui Peng4
1School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing, China.
Journal of imaging informatics in medicine
|January 23, 2025
概括
这项研究引入了一种深度学习方法,以增强用于放射治疗的形光束CT图像,从稀疏视图数据显著提高图像质量. DLMPS方法可以降低辐射剂量,同时保持诊断准确性,优于现有的模型.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 在图像导向放射治疗 (IGRT) 中的圆束CT (CBCT) 具有辐射风险.
- 稀疏视图采样减少了辐射剂量,但降低了图像质量.
- 改善稀疏视图CBCT图像质量对于患者安全和诊断准确性至关重要.
研究的目的:
- 开发和评估基于深度学习的多视图投影合成 (DLMPS) 方法.
- 为了提高稀疏视图低剂量CBCT图像的质量.
- 为了减少IGRT中的辐射暴露,而不会影响图像保真度.
主要方法:
- 采用DLMPS方法使用修改的2D U-Net,具有动态卷积和残留学习,用于sinogram恢复.
- 线性插值和sinogram重新排列用于处理稀疏视图投影.
- 培训,验证和测试真实患者的CBCT数据与模拟的1/4和1/8采样率.
- 使用费尔德坎普-戴维斯-克雷斯算法进行图像重建.
主要成果:
- 对于1/4和1/8稀疏视图数据,DLMPS在投影和图像领域显著改善了图像质量指标 (RMSE,PSNR,SSIM,FSIM).
- 与11个最先进的模型相比,实现了卓越的性能.
- 在合成稀疏视图CBCT缺失的预测方面表现出高准确性.
结论:
- DLMPS方法有效地提高了IGRT中的稀疏视图CBCT图像质量.
- 它提供了一种有前途的方法,可以在患者中大幅减少辐射剂量.
- 观察到图像质量的最小损失,使其适合临床应用.
