一种基于模拟的CT金属工件减少策略,旨在提高网络通用性.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算物理 计算物理

背景情况:

• 现有的计算机断层扫描 (CT) 金属工件减少 (MAR) 深度学习方法往往缺乏明确的物理建模,导致诸如幻觉和解剖扭曲等问题.
• 这些数据驱动的方法需要广泛的配对数据集,限制它们在不同成像场景中的可扩展性和通用性.

研究的目的:

• 开发CT MAR的新型自主监督框架,集成基于物理的深度学习,以改善文物减少.
• 该框架旨在通过将多层感知子 (MLP) 与潜伏扩散模型 (LDM) 结合起来,提高可扩展性,减少幻觉,并保持CT图像的结构忠实性.

主要方法:

• 一个轻量级的多层感知子 (MLP) 执行物理驱动的多项式对光束硬化进行校正,并结合sinogram一致性进行适应.
• 该MLP的学习参数模拟来自无文物扫描的文物污染图像,创建伪配对的数据,用于自主监督的条件隐藏扩散模型 (LDM) 训练.

主要成果:

• 拟议的框架表明,与合成和真实临床数据集上的最先进技术相比,金属工件的减少和结构的保存优越.
• 在低维隐性空间中运行,隐性扩散模型 (LDM) 显著减少了推断时间,同时保持了高质量的图像重建.

结论:

• 成功开发了一个自主监督的CT MAR框架,结合了基于MLP的梁硬化校正和有条件的LDM.
• 该框架允许完全自我监督的培训,没有配对数据,提供强大的文物抑制和结构保存,优于现有方法.