基于深度学习的超低剂量CT图像的细分使用优化nnU-Net模型
Yazdan Salimi1, Zahra Mansouri1, Chang Sun1,2
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, CH-1211, Geneva, Switzerland.
La Radiologia medica
|March 18, 2025
概括
新的深度学习模型在超低剂量CT (LD-CT) 扫描上准确地细分器官,克服图像质量的限制. 这些专用LD-CT模型的性能优于传统模型,提高了低辐射成像中的诊断准确性.
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 (LD-CT) 协议对于各种医学成像应用至关重要,包括紧急护理和混合成像.
- 在LD-CT中图像质量可能会受到损害,影响标准深度学习 (DL) 分段模型的性能.
- 现有的DL模型通常以高质量的图像进行训练,对于杂的LD-CT数据的选择有限.
研究的目的:
- 开发一种新的深度学习 (DL) 管道,专门用于超低剂量CT (LD-CT) 图像上的器官细分.
- 为了应对LD-CT图像质量下降的挑战,这影响了传统细分模型的准确性.
- 创建专门的DL模型,即使在大量噪音和低辐射暴露的情况下,也能够进行强大的器官细分.
主要方法:
- 将274个CT数据集重建为全剂量 (FD-CT) 和模拟的LD-CT图像,在不同辐射水平下 (1-10%的原始).
- 使用LD-CT图像培训新的LD-nnU-Net模型,使用FD-nnU-Net现有的FD-nnU-Net模型在FD-CT图像上作为参考.
- 使用专门的LD-nnU-Net模型对骨组织,软组织和身体轮进行细分,然后与FD-CT参考面具和外部LD-CT数据集进行比较.
主要成果:
- 标准的FD-nnU-Net模型显示LD-CT图像的性能下降,特别是在10%以下的辐射剂量下.
- 新开发的LD-nnU-Net模型获得了高的平均子得分:骨组织为0.937±0.049,软组织为0.905±0.117,身体轮为0.984±0.023.
- 与FD模型相比,LD-nnU-Net模型在实际LD-CT图像的外部数据集上进行评估时,显示出优异的细分性能.
结论:
- 在全剂量CT图像上训练的传统深度学习模型在低剂量CT扫描上表现不够好.
- 专门的LD-nnU-Net模型显示,在超低剂量CT图像上,器官细分的性能显著提高.
- 开发的LD-nnU-Net模型能够准确细分噪音较大的LD-CT图像,并公开提供.
