.png){kind=icon}
返回
Progressive Refinement Autoencoder for Low-Dose Computed Tomography Enhancement
.png){kind=icon}
OA
AI
DOI：10.1002/ima.70438.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电离辐射在诊断成像中的应用是全球范围内的普遍做法。然而，成像过程本身存在相对风险。因此，建议采用尽可能低的电离辐射剂量，特别是在计算机断层扫描（CT）成像中，利用一系列X射线扫描来重建身体组织的横断面图像。CT成像中降低辐射剂量的常见策略被称为四分之一剂量技术，它减少了X射线剂量，但可能引起噪声和图像锐度的损失。由于从定向X射线重建CT图像是一个非线性过程，因此分析上难以纠正剂量减少对图像质量的影响。最近流行的人工智能方法为低剂量CT图像增强提供了有趣的可能性。本研究旨在开发一种基于U-Net的深度学习方法，该方法带有解码器侧的细化模块，用于增强四分之一剂量CT图像，同时保留具有诊断相关性的图像细节。提出了一种新颖的自编码器方法，该方法保留了U-Net的传统编码骨干，并在解码路径中专门集成了轻量级细化模块。细化模块由粗分辨率和细分辨率残差块组成，所提出的方法逐步更新特征表示以增强精细细节。通过在低剂量CT大挑战数据集上进行的实验评估了所提出的架构，并将其与知名架构进行比较。该数据集包含来自10名患者的四分之一剂量和全剂量CT切片图像。模型使用初始固定间隔测试集和额外的患者分层随机测试集（包含300对切片）进行评估，其余图像分为训练集（90%）和验证集（10%）。此外，执业放射科医师进行的盲测表明，增强后的四分之一剂量CT图像比原始四分之一剂量图像获得了更高的放射科医师评分诊断可接受性分数，并且在与全剂量CT图像的主观比较中通常更受青睐。所提出的渐进式细化U-Net为四分之一剂量CT增强提供了解码器侧的细化策略，并实现了具有竞争力的定量性能。除了成功展示图像增强外，本研究还强调了在评估低剂量CT修复方法时，放射科医师评分的诊断可接受性和结构化主观比较的重要性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
2.2K
被引数:
2.3K
机构
引用论文
U-Net Autoencoder for Edge-Preserved Denoising of Low Dose Computed Tomography Images: A Novel Technique用于边缘保持的低剂量计算机断层扫描图像去噪的U-Net自编码器：一种新型技术
PREAI
分享收藏A deep convolutional neural network using directional wavelets for low-dose X-ray CT reconstruction基于方向小波的深度卷积神经网络用于低剂量x射线CT重建.png)
MEDICAL PHYSICSOAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏Task-based characterization of a deep learning image reconstruction and comparison with filtered back-projection and a partial model-based iterative reconstruction in abdominal CT: A phantom study腹部CT中基于任务的深度学习图像重建的表征以及与滤波反投影和基于部分模型的迭代重建的比较: 体模研究OAAI
OAAI分享收藏UNeXt: a Low-Dose CT denoising UNet model with the modified ConvNeXt blockICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏分享收藏The use of deep learning towards dose optimization in low-dose computed tomography: A scoping review在低剂量计算机断层扫描中使用深度学习进行剂量优化: 范围审查RadiographyOAAI
RadiographyIF0
OAAI分享收藏Deep-Learning-Based Image Reconstruction and Enhancement in Optical Microscopy基于深度学习的光学显微镜图像重建与增强PROCEEDINGS OF THE IEEEOAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏
查看更多内容