SinoSynth:一种基于物理的域随机化方法,用于可泛化的CBCT图像增强
Yunkui Pang1, Yilin Liu1, Xu Chen2
1University of North Carolina at Chapel Hill, Chapel Hill, NC 27599, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|December 19, 2025
概括
通过模拟文物,SinoSynth通过生成现实的合成圆束计算机断层扫描 (CBCT) 图像. 这种基于物理学的方法改善了医疗成像的深度学习模型,优于在真实数据上训练的方法.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 人工智能在医学中的应用
背景情况:
- 圆束计算机断层扫描 (CBCT) 在医学中至关重要,但图像质量通常会受到噪音和文物的影响.
- 由于训练数据有限,现有的文物校正方法与各种降解作斗争.
研究的目的:
- 介绍SinoSynth,一种基于物理学的新型模型,用于生成各种合成CBCT图像与现实的文物.
- 提高深度学习模型的性能,以减少CBCT人工物.
主要方法:
- 开发了一种基于物理的降解模型 (SinoSynth) 来从高质量的CT图像中模拟CBCT特定的文物.
- 在不需要预先调整数据的情况下生成了合成CBCT图像的多样化数据集.
- 在合成数据上训练生成网络以进行人工物校正.
主要成果:
- 在SinoSynth数据上训练的生成网络在多机构CBCT数据集上取得了优异的性能,与在真实数据上训练的网络相比.
- 该模型成功生成了高质量的,结构保存的合成图像.
- 证明了在生成模型中强制执行解剖学约束的能力.
结论:
- SinoSynth提供了一种有效的解决方案,用于CBCT文物校正中的数据增强.
- 基于物理的模拟增强了医疗成像深度学习模型的稳定性和通用性.
- 这种方法解决了CBCT中有限和多样化的文物数据的挑战.
