双域自主监督深度学习与图形卷积用于低剂量计算机断层扫描重建

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CT (LDCT) 减少了辐射暴露,但由于信号噪声比 (SNR) 低,影响了诊断质量.
• 现有的深度学习解密方法通常需要配对低剂量和正常剂量的图像,限制了临床应用.
• 目前的自我监督方法采用了简单的噪声假设,并专注于单个领域 (sinogram或图像),降低了效率.

研究的目的:

• 开发一个有效的自我监督的深度学习框架,用于低剂量CT (LDCT) 消除和重建.
• 解决CT成像中现有的监督和自我监督的无雾化技术的局限性.
• 为了提高LDCT图像的诊断质量,而不需要配对数据.

主要方法:

• 引入了双域自主监督 (DDoS) 框架,用于LDCT的撤销和重建.
• 开发了针对特定噪声特征量身定制的无线图形消噪和CT图像消噪网络.
• 采用统一的混合架构,将图形卷积和多通道注意力结合起来,用于在两个域中提取特征.

主要成果:

• 与最先进的方法相比,DDoS框架在拒绝和重建方面表现出卓越的表现.
• 对大型LDCT数据集的实验验验证了双域方法的有效性.
• 该方法成功地提高了LDCT图像中的SNR,满足诊断质量标准.

结论:

• DDoS框架为LDCT图像增强提供了一个强大的和有效的自我监督的解决方案.
• 这种方法克服了对数据的需求,使其在临床上更适用.
• DDoS显著提高了低剂量CT扫描的诊断效用.