在使用卷积神经网络的骨盆区域形光束CT图像中的散射和光束硬化效应校正
Soya Yagi1, Keisuke Usui2, Koichi Ogawa3
1Department of Applied Informatics, Graduate School of Science and Engineering, Hosei University, 3-7-2 Kajinocho, Koganei, Tokyo, 184-0002, Japan.
Radiological physics and technology
|April 4, 2025
概括
这项研究引入了一个卷积神经网络 (CNN),以减少圆束CT (CBCT) 图像中的散射光子和光束硬化. 美国有线电视新闻网有效地提高了治疗计划的图像质量,即使光子数据有限.
科学领域:
- 医疗成像医学成像
- 辐射物理学 辐射物理学
- 人工智能在医学中的应用
背景情况:
- 圆束CT (CBCT) 成像对于放射治疗规划至关重要.
- 图像工件,特别是散射光子和光束硬化,降低了CBCT图像质量.
- 准确的CBCT图像对于精确的治疗计划至关重要.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于CBCT图像中的工件减少.
- 为了从CBCT投影数据中去除散射光子和光束硬化效应.
- 提高CBCT图像质量,以改善放射治疗治疗计划.
主要方法:
- 一个CNN被训练使用扭曲的投影数据 (与文物) 和监督单色X射线数据.
- 培训数据集包括17,280个增强投影数据样本;测试数据集有540个样本.
- 蒙特卡洛模拟生成了盆腔CBCT投影数据,跨越各种光子计数水平 (0.5-3万计数/像素).
主要成果:
- 在CBCT图像中,CNN成功地减少了散射光子和光束硬化器件.
- 图像质量指标,包括峰值信号与噪声比 (PSNR),结构相似度指数 (SSIM) 和绝对差异总和 (SAD),显示出显著的改善.
- CNN的性能取决于训练数据中的光子数量;用足够的光子训练的模型即使使用低光子输入数据也表现良好.
结论:
- 基于CNN的文物校正有效地提高了CBCT图像质量,用于治疗计划.
- 训练数据中的光子数量对于准确的工件校正至关重要.
- 一个强大的CNN模型可以很好地概括,即使输入数据中的光子数量有限,也能提供良好的校正.
