基于机器学习的联合统计迭代双能 CT 初始化方法及其在质子治疗中的应用
图像与视频处理
2021-08-03 v1 机器学习
医学物理
摘要
过去几十年中，双能 CT（DECT）被广泛研究以生成信息更丰富、更准确的图像。例如，双能交替最小化（DEAM）算法在根据实验 3-mm 准直体模数据估计质子阻止本领映射时实现了亚百分比不确定度。然而，由于收敛速度低以及现代螺旋 CT 扫描仪巨大的几何规模，迭代 DECT 算法的耗时在临床上是不可接受的。本文引入一种基于 CNN 的初始化方法来减少迭代 DECT 算法的计算时间。本工作中以 DEAM 作为迭代 DECT 算法的示例。仿真结果表明，我们的方法为脂肪、扁桃体和肌肉组织生成了去噪图像，且估计精度大幅提升。此外，对于模拟和真实数据，它使 DEAM 达到相同目标函数值的耗时减少了约 5 倍。
引用
@article{arxiv.2108.00109,
title = {A Machine-learning Based Initialization for Joint Statistical Iterative Dual-energy CT with Application to Proton Therapy},
author = {Tao Ge and Maria Medrano and Rui Liao and David G. Politte and Jeffrey F. Williamson and Joseph A. O'Sullivan},
journal= {arXiv preprint arXiv:2108.00109},
year = {2021}
}