在老鼠CT图像中增强损伤检测:基于深度学习的超分辨率研究
Sungwon Ham1, Sang Hoon Jeong2, Hong Lee2
1Healthcare Readiness Institute for Unified Korea, Korea University Ansan Hospital, Korea University College of Medicine, 123 Jeokgeum-Ro, Danwon-Gu, Ansan-Si 15355, Gyeonggi, Republic of Korea.
Biomedicines
|October 29, 2025
概括
深度学习超分辨率 (SR) 提高了老鼠胸部CT图像质量. OmniSR模型改善了病变检测和整体解释性,超过了PSNR和SSIM等传统指标.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 小动物的临床前胸部CT成像具有低分辨率,阻碍了微妙的病变检测.
- 传统的定量指标 (PSNR,SSIM) 可能与超分辨率图像的临床解释性无关.
- 需要先进的方法来提高小动物CT的图像质量和诊断精度.
研究的目的:
- 评估基于深度学习的超分辨率 (SR) 模型,以提高大鼠胸部CT图像质量.
- 评估SR是否改善了病变的检测性和临床解释性.
- 为了将定量指标与放射科医生评估进行SR模型评估.
主要方法:
- 从PHMG-p暴露研究中对222个大鼠胸部CT扫描进行了回顾性分析.
- 实施和比较三种SR模型:SinSR,SinSR3 (细分指导) 和OmniSR.
- 由两个胸部放射科医生进行独立的盲目评估,评估病变的清晰度,结节的检测能力,噪音,文物和整体质量.
主要成果:
- SinSR1和SinSR3分别实现了最高的PSNR和SSIM.
- 尽管PSNR较低,OmniSR在病变边缘清晰度,结节检测能力和整体图像质量方面获得了最高的放射学家评分.
- 放射科医生评估显示与传统PSNR和SSIM指标的相关性有限.
结论:
- 基于深度学习的SR显著改善了老鼠胸部CT图像的可视化.
- 与其他SR模型和传统指标相比,OmniSR显示出更好的临床解释性.
- 以读者为中心的评估对于评估临床前成像中的SR技术至关重要.


