模拟扫描仪和算法特定的3D CT噪声纹理,使用基于物理的2D和2.5D生成神经网络模型进行模拟

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算科学 计算科学

背景情况:

• 精确的低剂量CT模拟对于评估重建/消毒技术和优化辐射剂量至关重要.
• 现有的投影域方法依赖于专有工具,而图像域方法缺乏对3D噪声合成的概括性和系统验证.
• 需要通用和验证的方法来模拟扫描仪和算法特定的低剂量CT噪声特征.

研究的目的:

• 介绍一个基于物理知识的模型生成神经网络,PALETTE,用于模拟扫描仪和算法特定的低剂量CT检查.
• 为了提高图像域噪声插入方法的普遍性,用于低剂量CT模拟.
• 系统验证低剂量CT的3D噪声合成能力.

主要方法:

• 开发了PALETTE,一个基于物理的生成神经网络,包含噪声前生成,Noise2Noisier和噪声纹理合成子网络.
• 实施了定制的规范化条款,以确保3D噪音纹理质量.
• 利用2D和两个2.5D (N-N,N-1) PALETTE模型,在一个具有不同内核和视野的开放访问腹部CT数据集上进行训练和测试.

主要成果:

• 视觉检查显示了2D和2.5DN-N模型的现实噪声纹理,而2.5DN-1显示了感知差异.
• 使用MAPD,SCM和SAM进行的定量分析显示,2D模型在噪声水平和光谱相似性方面表现与2.5D模型相比或更好.
• 在2.5D中增加模型宽度N-N提高了性能,这表明需要更大的学习能力来增强3D噪声建模.

结论:

• PALETTE提供了低剂量CT检查的高质量模拟,准确地反映了扫描仪和算法特定的3D噪声特征.
• 2D PALETTE模型在噪音模拟中表现出强大的性能,为现有方法提供了可普遍化的替代方案.
• 需要进一步开发具有更高容量的2.5D模型,以便在低剂量CT模拟中充分实现先进的3D噪声建模.