相关实验视频
Updated: Sep 15, 2025
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.1K
基于深度残留网络的投影插值和后处理技术用于胸部患者的CBCT重建.
Ke Lu1,2, Zeyu Zhang1,2, Lei Ren3
1Medical Physics Graduate Program, Duke University, Durham, North Carolina, USA.
Medical physics
|July 15, 2025
概括
深度学习 (DL) 能够有效地插入形光束计算机断层扫描 (CBCT) 投影,显著降低人工物和患者剂量. 这种新的DL工作流提高了从稀疏采样数据的图像质量.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 计算机视觉 计算机视觉
背景情况:
- 在形束计算机断层扫描 (CBCT) 重建中的稀疏采样导致条纹文物.
- 传统的插值方法引入模糊和文物,限制图像质量.
- 深度学习 (DL) 为克服CBCT图像重建中的这些局限性提供了一个潜在的解决方案.
研究的目的:
- 在重建之前开发基于DL的技术,用于插入稀疏样本的CBCT预测.
- 实施DL用于后处理重建的CBCT图像以提高质量.
- 通过优化DL插值和重建来降低患者的成像剂量.
主要方法:
- 样本不足的预测的线性插入,然后再切片.
- 应用深度残留U-Net (DRU) 模型来增强插入片的图像质量.
- 将切片重新组装成密集采样的投影,用于FDK重建.
- 二级DRU模型用于后处理重建的CBCT体积.
主要成果:
- 与传统方法相比,显著改善了峰值信号噪声比率 (PSNR),结构相似度指数 (SSIM) 和根平均平方误差 (RMSE).
- DRU后处理进一步提高了图像质量.
- 通过使用最小投影的联合DL工作流程,患者成像剂量减少了86% (半风扇98个,全风扇49个).
结论:
- 首次证明了DL CBCT对真实患者数据的投影插值技术.
- DL插值和后处理有效地减少了CBCT图像中来自样本不足的投影的工件.
- 拟议的方法可以显著降低患者的成像剂量,同时保持图像质量.
