通过深度学习的培训数据策划来保护噪声纹理,消除高分辨率心脏EID-CT的噪声
Kevin Treb1, Shaojie Chang1, Emily Koons1
1Department of Radiology, Mayo Clinic, Rochester, Minnesota, USA.
Medical physics
|July 15, 2025
概括
卷积神经网络 (CNN) 可以否定心脏CT图像,改善图像质量. 训练数据的选择是保持自然噪声纹理和解剖细节在能量整合探测器CT (EID-CT) 扫描中的关键.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 计算机断层扫描 (CT) 技术
背景情况:
- 在能量整合检测器CT (EID-CT) 中控制图像噪声对于高空间分辨率心脏成像至关重要.
- 监督的卷积神经网络 (CNN) 显示出对消除噪音的希望,但需要高质量,公正的噪音估计来进行训练.
- 保持自然噪声纹理对于准确的基于CNN的CT图像消除噪声至关重要.
研究的目的:
- 开发和评估基于图像的噪声估计方法,用于培训CNN报道者.
- 在高分辨率的EID-CT冠状动脉CT血管学 (cCTA) 图像中评估消除噪声的性能和噪声纹理的保存.
- 与标准分辨率的EID-CT和光子计数探测器CT (PCD-CT) 图像进行比较.
主要方法:
- 使用两种噪声估计技术训练U-net CNN模型:减去低/高代重建 (IR) 和减去相邻的图像片.
- 在单独的数据集上验证的网络,包括50%-50%的两种噪声估计方法的混合.
- 根据幻影数据 (噪声功率光谱) 和患者cCTA检查的评估,与标准EID-CT和PCD-CT进行比较.
主要成果:
- 在CNN模型中,EID-CT图像的染率为74%-79%,噪声水平与高分辨率PCD-CT相美.
- 邻近的切片减法训练产生了更好的噪声功率谱近似和更自然的纹理,没有偏差.
- 混合训练数据保留了噪声纹理和解剖学,使小结构可视化,与PCD-CT.
结论:
- 训练数据的特征显著影响CNN-denoisedCT图像中的噪声纹理和解剖学准确性.
- 高分辨率的重建与深度学习相结合,提高了EID-CT cCTA图像质量.
- 在EID-CT中微妙解剖学可解决性可以提高到与PCD-CT相似的水平.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
12:15Tissue Preparation Techniques for Contrast-Enhanced Micro Computed Tomography Imaging of Large Mammalian Cardiac Models with Chronic Disease
Published on: February 8, 2022
2.6K
