使用跨域深度学习与域转移模块的低剂量CT重建.
1Department of Electronic Engineering, Soongsil University, Seoul, Republic of Korea.
Physics in medicine and biology
|February 21, 2025
概括
这项研究引入了一种新的跨领域深度学习方法,用于低剂量X射线计算机断层扫描. 它大大降低了噪音和计算成本,以更少的参数实现了高质量的重建.
科学领域:
- 医疗成像医学成像
- 计算科学 计算科学
背景情况:
- 低剂量X射线计算机断层扫描 (CT) 对于减少辐射暴露至关重要.
- 传统的分析重建方法遭受低光子计数的噪声工件.
- 深度学习 (DL) 方法,包括单域和双域网络,在降低噪音方面表现有前途.
研究的目的:
- 开发一种更高效的深度学习方法,用于低剂量X射线CT重建.
- 克服现有的双域网络所需的计算资源冗余.
- 为了提高重建质量,同时尽量减少辐射剂量.
主要方法:
- 提出了一个跨域深度学习 (DL) 方法,利用分析域转移函数.
- 实现了一个带有投影域编码器和图像域解码器的网络.
- 利用转移功能来减少冗余的编码器/解码器计算,优化资源效率.
主要成果:
- 拟议的跨域网络实现了与双域网络相似的结果,可训练参数只有一半.
- 与传统的代重建和现有的DL方法相比,证明了优越的重建质量.
- 有效地减少了低剂量CT固有的图像噪声和Poisson噪声.
结论:
- 跨域DL方法在低剂量X射线CT重建方面取得了重大进展.
- 这种方法可以实现高质量的成像,减少辐射剂量和计算需求.
- 使用域转移函数可以实现跨域的高效功能转移,从而提高性能.
