在深度学习CT中提高低对比性肝转移检测能力,使用由总不确定性和预测平均值驱动的自适应局部融合
Hao Gong1, Shravani A Kharat1, Shuai Leng1
1Department of Radiology, Mayo Clinic, Rochester, MN, 55901, USA.
概括
这项研究引入了一种新的方法,以改善通过深度学习的低剂量CT扫描中病变的检测. 这种方法提高了图像的可靠性,提高了肝转移等关键病变的检测.
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:
- 深度学习 (DL) 显示了CTdenoising的前景,但卷积神经网络 (CNN) 输出中的不确定性可能会阻碍病变检测,特别是在减少的辐射剂量下.
- 在CT扫描中,积极降低剂量虽然有益,但可能会损害图像质量和可靠识别肝转移等关键发现.
研究的目的:
- 开发和验证一种方法,可以量化DL-denoizedCT图像中的不确定性,并通过适应性融合信息来提高病变检测能力.
- 提高基于DL的CT检测技术的稳定性和可靠性,以提高低剂量检查的诊断准确性.
主要方法:
- 使用总不确定性 (数据+模型) 和预测平均值来描述CNN输出分布.
- 计算本地平均不确定性比 (MUR) 以确定不可靠的图像区域.
- 开发了一种MUR驱动的自适应局部融合 (ALF) 过程,以将无声图像数据与原始噪音图像合并,集成到DL模型观察器中,用于肝转移检测量化 (LAUC).
主要成果:
- 总不确定性随着辐射剂量下降而增加.
- 病变智能MUR显示不依赖病变大小或对比度,但根据位置而异.
- 拟议的MUR驱动的ALF在具有挑战性的条件 (较低剂量,较小的病变,较低的对比度) 中始终提高了肝转移检测能力,在LAUC (0.04-0.1,P=0.008) 中显著增加.
结论:
- 开发的MUR驱动的ALF方法有效地解决了基于DL的CT无声化中的不确定性.
- 这种方法提高了DL脱光技术的可靠性,从而在低剂量CT扫描中更好地检测关键病变.
- 该方法有可能改善临床CT成像中的诊断性能.
