不对称散射核估计神经网络用于数字乳腺图莫合成.
Subong Hyun1, Seoyoung Lee1, Ilwong Choi2
1KAIST, Department of Nuclear and Quantum Engineering, Daejeon, Republic of Korea.
Journal of medical imaging (Bellingham, Wash.)
|June 16, 2025
概括
一种新的深度学习方法,灵感来自于不对称的散射核叠加,改善了数字乳腺图莫合成 (DBT) 中的散射估计. 这种基于物理学的方法增强了散射校正,以获得更清晰的医学成像.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 散射辐射显著降低了数字乳腺图解合成 (DBT) 的图像质量.
- 现有的深度学习 (DL) 方法用于散射估计,往往忽视了散射形成的基础物理.
- 端到端的DL训练方法在散射特征方面缺乏可解释性.
研究的目的:
- 提出一种新的DL方法用于DBT中的散射估计,灵感来自不对称的散射内核叠加.
- 开发一种基于物理学的方法,能够解释散射生成的物理过程.
- 提高DBT中分散校正的准确性和可靠性.
主要方法:
- 一个DL网络的设计是为了生成散射幅度分布,散射内核宽度和不对称的因子图.
- 欧几里德距离地图和投射角度信息被整合在一起,以估计不对称因子,考虑乳房变化.
- 提出的方法与基于UNet的端到端和对称内核方法进行了评估.
主要成果:
- 拟议的方法在数值幻影和物理实验数据上的散射估计准确性方面优于现有的方法.
- 包括信号与噪声比 (SNR) 和结构相似度指数 (SSIM) 在内的定量指标显示了分散校正图像的显著改善.
- 该方法在处理乳房厚度和形状的变化方面表现出强大的性能.
结论:
- 开发的DL方法代表了DBT预测的分散估计的重大进步.
- 基于物理学的方法可以实现强大而可靠的散射校正,从而提高诊断图像质量.
- 这种方法对需要精确的DBT散射减少的临床应用具有前景.
