整合CT图像重建,细分和大型语言模型,以增强诊断洞察力
Altamash Ahmad Abbasi1, Ashfaq Hussain Farooqi2
1Department of Computer Science, Air University, Islamabad, Pakistan.
Medical & biological engineering & computing
|September 24, 2025
概括
这项研究引入了一个深度学习框架,以提高计算机断层扫描 (CT) 图像质量并加快重建速度. 该系统通过提供更清晰的医疗图像和自动描述来提高诊断准确性,以更快地做出临床决策.
科学领域:
- 医疗成像医学成像
- 深度学习应用程序
- 放射学 放射学是一门学科.
背景情况:
- 计算机断层扫描 (CT) 对于诊断和监测患有心脏病和癌症的患者至关重要.
- 高质量的CT图像对于准确的临床决策至关重要.
- 图像重建是改善CT图像质量的关键研究领域.
研究的目的:
- 开发一个框架来提高CT图像质量.
- 为了尽量减少CT图像重建时间.
- 为医学专家创建一个决策支持工具.
主要方法:
- 一个由四个步骤组成的框架:重建,预处理,细分和图像描述.
- 利用转换来生成阴影图和卷积神经网络 (CNN) 来进行高质量的重建.
- 应用双边过以减少噪音,K-means集群以进行细分,以及FuseCap模型用于自动图像描述.
主要成果:
- 实现了高性能指标:峰值信号与噪声比 (PSNR) 为30.784,正常化平均平方误差 (NMSE) 为0.032,结构相似度指数 (SSIM) 为0.877.
- 与现有的CT图像重建方法相比,表现出更高的性能.
- 该框架成功地重建了高质量的CT图像,并集成了细分和自动描述.
结论:
- 拟议的框架有效地从原始投影数据中重建高质量的CT图像.
- 细分和自动描述的整合提高了诊断效率.
- 这项研究旨在减少医疗专业人员的工作量,并通过先进的成像分析来改善患者护理.
