提高CT成像中的超分辨率网络效率:训练数据的成本效益模拟

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 深度学习 (DL) 超分辨率 (SR) 模型可以增强低分辨率CT图像.
• 为CT SR模型获取足够的训练数据是一个重大挑战.
• 模拟厚切片CT图像的现有方法缺乏现实性或需要复杂的重建.

研究的目的:

• 从薄片CT图像中生成厚型CT图像的简单,现实的方法.
• 为了促进创建基于DL的CT SR算法高质量的培训对.
• 解决数据稀缺问题,开发有效的CT SR模型.

主要方法:

• 一种新的模拟技术,从现有的薄切片CT数据中生成厚型CT图像.
• 使用拟议的模拟方法创建配对训练数据集.
• 在DL SR模型培训中验证生成的数据现实性和实用性.

主要成果:

• 生成的训练对非常接近真实数据分布 (PSNR = 49.74 与 40.66, p < 0.05).
• 通过该方法生成的CT图像中的放射性特征与肺纤维化患者的死亡率有显著的相关性 (HR = 1.19,p < 0.005).
• 拟议的方法提高了CT SR模型的有效性和适用性.

结论:

• 本研究介绍了第一个有效生成对联训练数据的方法,用于基于DL的CT SR模型.
• 开发的技术克服了以前模拟方法的局限性.
• 这项工作提高了CT超分辨率在医学成像中的实际应用.