通过模拟和实验低剂量CT数据学习消噪

科学领域:

• 计算机成像成像技术
• 机器学习应用程序 机器学习应用程序
• 医学成像分析分析 医学成像分析

背景情况:

• 机器学习 (ML) 方法,特别是卷积神经网络 (CNN),越来越多地用于图像处理任务,如计算成像中的降噪.
• 高质量的培训数据对于这些ML方法的性能至关重要.
• 计算机断层扫描 (CT) 成像在降噪方面面临挑战,使得ML方法成为研究的焦点.

研究的目的:

• 综合研究基于ML的降噪算法在CT成像中的性能差异,当它们在模拟与现实噪声数据上训练时.
• 为了比较两种常见的CNN架构U-Net和MSD-Net在CT图像无色化方面的有效性.
• 调查训练领域 (sinogram与重建) 对denoising性能的影响.

主要方法:

• 利用大型的2D计算机断层扫描数据集进行机器学习.
• 在模拟和实验噪音CT数据上训练和评估U-Net和MSD-Net CNN架构.
• 在sinogram和重建领域比较性能,并探索了直接的sinogram-to-reconstruction映射.

主要成果:

• 在sinogram域中,模拟数据的表现更好,但这并没有转化为重建域.
• 对实验性噪音数据的训练在对实验性噪音CT数据的否定方面产生了更高的性能.
• 优化算法用于直接映射sinogram-to-reconstruction的算法显著改善了模型性能.

结论:

• 在真实世界的实验数据上训练ML模型,相对于模拟数据来说,CT图像无效化在CT图像无效化方面优越,特别是在重建领域.
• 需要更先进的噪声模拟方法来弥合CT无声化中模拟和现实数据之间的差距.
• 将原始测量数据与高质量的CT重建相匹配对于有效的基于ML的denoising至关重要.