滞后网络:通过卷积神经网络对束CT进行滞后校正
Chenlong Ren1, Shengqi Kan1, Wenhui Huang1
1Laboratory of Image science and Technology, School of computer science and Engneering, Southeast University, Nanjing, 210096, China.
Computer methods and programs in biomedicine
|April 15, 2025
概括
一种新的深度学习方法,Lag-Net,通过从硬件纠正的数据中学习,有效地消除CT成像中的滞后文物. 这种方法比传统方法提供了更高的性能,特别是在低暴露场景中,无需复杂的硬件实现.
科学领域:
- 医疗成像医学成像
- 计算机断层扫描 (CT) 是一种计算机断层扫描.
- 图像处理 图像处理
背景情况:
- 无形探测器中的电荷陷会引起滞后信号,导致CT成像中的幽灵和文物.
- 传统的线性时间不变 (LTI) 校正方法通常是不完整的,并且无法解释暴露依赖性,留下剩余的工件.
研究的目的:
- 开发和评估一种新型的深度学习方法 (Lag-Net),用于精确测量滞后信号和CT中的文物抑制.
- 为了克服现有的硬件校正方法的复杂性和高仪器要求.
主要方法:
- 开发了一种新的硬件校正方法,需要两次扫描,并调整CT仪器计时,以测量滞后信号.
- 引入了一种深度学习方法,Lag-Net,以消除滞后信号,使用硬件校正的,几乎没有滞后的图像作为训练数据.
主要成果:
- Lag-Net在抑制滞后文物和提高模拟和真实数据集的图像质量方面明显优于传统的LTI校正.
- 深度学习方法实现了与硬件校正可比的重建结果,但没有其操作复杂性.
结论:
- 硬件校正方法显示出优异的工件抑制,特别是在低曝光时,尽管它的复杂性.
- Lag-Net 通过深度学习有效地绕过了硬件校正的操作缺陷,在低曝光场景中表现优于 LTI 校正.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.6K
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.5K
