基于深度学习的超分辨率方法用于放射治疗中的投影图像压缩

科学领域:

• 医学成像
• 计算机视觉
• 数据压缩

背景情况:

• 圆束计算断层扫描 (CBCT) 对于放射治疗目标的验证至关重要.
• CBCT产生了大量的投影图像数据,但由于存储限制而经常被遗弃.
• 经济存储CBCT预测数据是一个重大挑战.

研究的目的:

• 研究基于深度学习 (DL) 的超分辨率 (SR) 方法来压缩CBCT投影图像.
• 评估DL SR与图像压缩的视频编码器的有效性.
• 评估压缩比和图像质量之间的权衡.

主要方法:

• 将高分辨率 (HR) 投影图像向低分辨率 (LR) 进行下方采样以进行编码.
• 使用DL网络 (CNN,ResNet,GAN) 来向HR提供LR图像.
• 测试视频编码解码 (CODEC) 算法:AVC,HEVC和AV1.
• 使用压缩比 (CR),PSNR,VQM和SSIM进行性能评估.

主要成果:

• AV1编解码器在不同的下方采样因子 (DSF) 中实现了最高的压缩比.
• ResNet表现出卓越的恢复精度,即使增加了DSF,也保持了高质量.
• 压缩比增加了DSF,只有恢复图像质量的适度退化.

结论:

• 基于DL的SR模型可以进一步提高压缩比超出传统的视频编码器.
• 这种压缩技术对于二维投影和三维放射治疗图像都是有效的.
• 该方法为放射治疗中大型成像数据集的经济存储提供了可行的解决方案.