用碎形图像深度学习的应用在稀疏视图CT上
Ren Kawaguchi1, Tomoya Minagawa1,2, Kensuke Hori3
1Department of Graduate School of Health Sciences, Kyorin University, 5-4-1 Shimorenjaku, Mitaka City, Tokyo, 181-8612, Japan.
概括
使用碎形图像预训练深度学习模型显著提高了稀疏视图计算机断层扫描 (CT) 图像重建质量. 这种方法减少了对广泛的医学成像数据的需求,在有限的数据集中提高了准确性.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像重建 图像的重建
背景情况:
- 稀疏视图计算机断层扫描 (CT) 图像重建由于法律和伦理方面的担忧而面临着有限数据的挑战.
- 深度学习模型需要大量的训练数据来实现CT图像重建的高精度.
研究的目的:
- 调查使用非医疗分形图像在稀疏视图CT中预训练深度学习模型的有效性.
- 确定碎形图像预训练是否可以改善稀疏视图CT图像质量,而医疗数据减少.
主要方法:
- 通过代函数系统 (IFS) 生成的碎形图像被用于预训练.
- 通过过后投影 (FBP) 和深度学习网络 (FBPConvNet,WNet) 重建了稀疏视图的阴影图 (36个投影).
- 使用结构相似性 (SSIM) 和峰值信号噪声比 (PSNR) 评估图像质量.
主要成果:
- 与仅使用医学图像进行培训相比,使用碎形图像进行预训练减少了文物和改进了SSIM.
- 在PSNR中,WNet表现优于FBPConvNet.
- 使用碎形图像进行预训练的WNet产生了最佳的图像质量,减少了80%的医疗数据需求 (从5000到1000张图像).
结论:
- 分形图像预训练有效地减少了稀疏视图CT重建中的文物.
- 这种方法提高了深度学习模型的准确性,即使医疗培训数据有限.
- 分形图像为改善稀疏视图CT重建效率和质量提供了可行的解决方案.
