FDA-Recon:为稀疏视图CBCT进行特征和数据对齐重建

科学领域:

• 医疗成像医学成像
• 放射治疗技术 放射治疗技术
• 计算成像技术的成像

背景情况:

• 圆束计算断层扫描 (CBCT) 为放射治疗和干预程序提供了至关重要的实时3D成像.
• 稀疏视图CBCT降低了辐射剂量和探测器读取率,但由于稀疏的采样和低功率的X射线源,它遭受了人工物和低信号噪声比 (SNR) 的损害.
• 稀疏视图CBCT中的图像退化妨碍了准确的临床指导.

研究的目的:

• 为稀疏视图CBCT开发一个强大的基于学习的重建算法,该算法可以处理文物和噪音.
• 通过弥合模拟和真实数据集之间的差距,确保算法在真实数据上表现良好.
• 通过提高CBCT图像质量,提高放射治疗和干预程序的精度.

主要方法:

• 创建了一个大规模的模拟数据集,与基于X射线成像物理学的真实数据特征保持一致.
• 采用无监督域适应策略 (FDA-Recon),在模拟和真实数据之间的特征空间中实现更深层次的对齐.
• 开发了一个带有Vision-LSTM机制的深度神经网络,用于移除文物和抑制噪音,利用本地和全球图像特征.

主要成果:

• 拟议的方法在两种系统的真实CBCT数据上显示了在物件移除,噪声抑制和整体图像恢复方面有前途的性能.
• FDA-Recon有效地解决了域差距,使在模拟数据上训练的模型能够在真实数据上保持性能.
• 基于Vision-LSTM的神经网络成功地利用了本地和全球图像依赖性,实现了卓越的图像恢复.

结论:

• 开发的基于学习的重建算法显示了实际稀疏视图CBCT应用的巨大潜力.
• 在低剂量,稀疏视图CBCT场景中,FDA-Recon提供了一种可行的解决方案,用于提高图像质量.
• 通过这种方法提高CBCT图像质量可以导致更准确的放射治疗和干预指导.