在使用深度学习的低剂量儿科脏扫描中恢复图像质量
Marta Arsénio1, Ricardo Vigário1,2, Ana M Mota3
1Physics Department, NOVA School of Science and Technology, NOVA University of Lisbon, 2829-516 Caparica, Portugal.
Journal of imaging
|March 26, 2025
概括
这项研究引入了一种深度学习策略,以增强儿科脏扫描图像,从而减少辐射剂量. UDnCNN网络有效地提高了图像质量,允许在50%更少的辐射暴露下获得可比的结果.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 儿科脏扫描通常需要显著的辐射暴露.
- 减少辐射剂量对于患者的安全至关重要,特别是在儿科患者群体中.
- 图像噪声是低剂量光束成像的一个主要挑战.
研究的目的:
- 开发和评估一个先进的图像增强策略,用于儿科脏扫描.
- 评估降低辐射剂量的可行性,同时保持诊断图像质量.
- 调查基于深度学习的无线神经网络的有效性.
主要方法:
- 利用了一个公共的动态脏光学数据库.
- 评估了四个否认神经网络:DnCNN,UDnCNN,DUDnCNN和AttnGAN.
- 使用信号噪声比 (SNR) 和多尺度结构相似性 (MS-SSIM) 评估图像质量.
- 通过使用50%的获取数据,模拟降低辐射剂量.
主要成果:
- 所有评估的神经网络都显示出降噪能力.
- UDnCNN在SNR和MS-SSIM之间实现了最佳平衡,显示了最显著的图像质量改进.
- 深度学习的增强使得50%的获取能够产生与完整数据集可比的结果.
- 拟议的方法表明减少患者辐射暴露的可行性.
结论:
- 基于深度学习的神经网络可以显著提高脏光学图像质量.
- UDnCNN网络显示出改善低剂量儿科脏扫描图像质量的前景.
- 这种方法可以通过降低辐射剂量提供高质量的成像,使儿科患者受益.
