基于深度学习的数字放射学降噪算法的定量评估,使用噪声功率频谱分析
1Department of Radiological Technology, Gunma Prefectural College of Health Sciences, Maebashi, Gunma, Japan.
Journal of applied clinical medical physics
|February 25, 2026
概括
数字放射学 (DR) 中的深度学习降噪 (DLNR) 在低剂量下表现优于传统方法. 详细的频率分析揭示了明显的抑制噪声行为,突出了需要剂量依赖评估的必要性.
科学领域:
- 医疗成像医学成像
- 数字辐射学数字辐射学
- 图像处理 图像处理
背景情况:
- 基于深度学习 (DL) 的降噪 (DLNR) 越来越多地用于临床数字放射 (DR) 系统.
- DLNR算法比传统方法提供更高的性能,但其功能是具有非线性行为的"黑子".
- 了解DLNR对各种成像条件的图像质量的影响至关重要.
研究的目的:
- 为了定量评估商业DLNR算法的图像质量,智能降噪 (INR),在DR.
- 将INR的降噪性能与传统基于规则的算法 (Con-NR) 进行比较.
- 使用频域指标,特别是噪声功率频谱 (NPS) 分析,进行详细的比较.
主要方法:
- 使用噪声功率谱 (NPS) 分析来评估空间频率依赖的噪声特征.
- 在不同的辐射剂量水平和不同的成像对象中评估了INR和Con-NR.
- 引入了一种新型指标,即NPS改善因子 (NPSIF),用于量化跨频段的噪声抑制.
主要成果:
- 基于DL的INR算法显示,与Con-NR相比,在低辐射剂量下显著降低了噪声.
- 在更高的剂量水平下,INR的性能优势下降.
- 该NPSIF有效地突出了特定频率的差异,揭示了每个降噪技术的独特优势和局限性.
结论:
- 基于DL的INR的剂量依赖性性能表明它对训练数据特征的敏感性.
- 基于DL的和传统的方法在DR中存在明显的噪声抑制行为差异.
- 频域分析对于理解DR中先进的图像处理技术至关重要;进一步的研究应该将噪声分析与诊断性能相结合.


