UPMCL-Net:无监督投影域多视图约束学习用于CBCT金属工件减少
IEEE transactions on medical imaging
|November 28, 2025
概括
这项研究引入了一种新的无监督学习网络,用于减少圆束计算机断层扫描 (CBCT) 图像中的金属工件. 该方法通过使用多视图信息来提高操作内导航的图像质量.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 圆束计算机断层扫描 (CBCT) 对于实时3D手术内导航至关重要.
- 患者的金属植入物在CBCT图像中引起严重的人工物,降低了诊断准确度.
- 现有的金属工件减少 (MAR) 方法无法利用交叉视图信息,导致不准确.
研究的目的:
- 开发一个新的无监督学习网络,用于CBCT金属工件减少 (MAR).
- 通过处理金属文物来提高CBCT中的图像质量和诊断准确性.
- 通过无工件成像来改善手术内导航支持.
主要方法:
- 为CBCT MAR. 提出了一个无监督的投影域多视图限制学习网络 (UPMCL-Net).
- 引入了一个基于变压器的多视图一致性模块 (MVCM) 用于交叉视图投影插曲.
- 设计了一种混合特征注意模块 (HFAM),用于在视图和视图特征的自适应融合.
主要成果:
- UPMCL-Net有效地减少了CBCT图像中的金属工件,而不需要地面真相数据.
- MVCM确保了不同视图的投影域一致性.
- HFAM适应性地集成图像特征,提高了工件减少性能.
- 在真实临床数据上的实验验证实了该网络的有效性.
结论:
- UPMCL-Net为CBCT MAR提供了一个高效,准确和可靠的解决方案.
- 拟议的方法显示了改善临床内科手术干预的巨大潜力.
- 这种无监督的方法通过利用多视图信息来克服当前MAR算法的局限性.
