升级网络:无监督的Sinogram域数据一致网络用于金属工件减少

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 计算机断层扫描 (CT) 对于临床诊断至关重要,但由于植入物引起的金属工件而受到影响.
• 现有的金属工件减少 (MAR) 监督深度学习方法因需要对联工件受影响和无工件数据而难以泛化.
• 目前的MAR方法缺乏对精确的金属痕迹绘制的sinogram域数据的一致性.

研究的目的:

• 开发一种无监督的深度学习框架,用于CT成像中的金属工件减少 (MAR).
• 解决监督方法的局限性,消除了对无工件基础真相数据的需求.
• 确保sinogram-domain数据的一致性,以精确地恢复金属痕迹.

主要方法:

• 提出了UPGRADE-Net,这是一个无监督的MAR的synogram-domain数据一致网络.
• 利用一种由金属痕迹在绘画中的先前知识引导的生成条件扩散模型.
• 在反向过程中开发了一个深度无监督的MAR框架,以学习背景数据分布.
• 嵌入基于物理的对联射线和积射线一致性损失函数用于sinogram-domain数据一致性.

主要成果:

• 在CT扫描中,UPGRADE-Net有效地减少了金属工件.
• 该方法在公共和临床数据集上都表现出强的表现.
• 实验结果显示其优越于最先进的MAR技术.
• 在sinogram域中实现了精确的金属痕迹恢复.

结论:

• UPGRADE-Net提供了一个强大的无监督解决方案,用于CT的金属工件减少.
• 拟议的方法克服了监督方法的数据采集挑战.
• 在金属植入物存在的情况下,UPGRADE-Net通过提高CT图像质量来增强临床诊断.