基于自适应权衡的CT图像中的金属人工物减少
IEEE transactions on medical imaging
|March 3, 2025
概括
本研究介绍了AdaW,这是计算机断层扫描 (CT) 成像中的多窗口金属工件减少 (MAR) 的自适应权衡算法. 通过在不同的CT图像窗口中动态加权MAR学习,AdaW提高了深度学习模型的通用性.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
背景情况:
- 计算机断层扫描 (CT) 中的金属工件减少 (MAR) 目前的深度学习方法通常使用单个Hounsfield单元 (HU) 窗口,在使用多个窗口的临床实践中限制有效性.
- 现有的多窗口MAR方法使用相同的权重,阻碍学习灵活性和模型通用性.
研究的目的:
- 为多窗口 MAR 开发一个自适应权重算法 (AdaW),以提高深度学习模型的通用性和适用性.
- 解决现有 MAR 技术中固定单窗预处理和均重的局限性.
主要方法:
- 制定了多窗口MAR任务作为一个双层优化问题.
- 导出了一个自适应加权优化算法 (AdaW),使用一个学习到学习的范式与培训和验证集.
- 通过AdaW,可以在不同的窗口中自动加权MAR学习,适用于各种深度MAR网络骨干.
主要成果:
- AdaW在不同的网络骨干和五个不同的数据集中展示了改进的泛化性能和适用性.
- 实验性比较验证了AdaW在增强多窗口 MAR 的有效性.
结论:
- AdaW为多窗口 MAR 提供了灵活有效的解决方案,改进了现有的方法.
- 拟议的自适应权重策略增强了CT MAR深度学习模型的稳定性和临床实用性.


