从投影域进行双能计算机断层扫描多材料分解的两步框架
摘要
双能计算机断层扫描（DECT）利用分离的 X 射线能谱来改善多种诊断应用中的多材料分解（MMD）。然而，使用传统方法准确分解两类以上材料仍然具有挑战性。深度学习（DL）方法已显示出提升 MMD 性能的潜力，但典型的在图像域进行 DL-MMD 的方法未能充分利用投影信息，或在迭代设置下训练与预测的计算效率低下。本工作中，我们提出一种临床适用的 MMD（>2）框架 rFast-MMDNet，在非递归设置下使用原始投影数据，用于乳腺组织区分。rFast-MMDNet 是一种两阶段算法，包括第一阶段 SinoNet 对组织正弦图进行双能投影分解，以及第二阶段 FBP-DenoiseNet 进行域适应与图像后处理。rFast-MMDNet 在 2022 DL-Spectral-Challenge 乳腺体模数据集上进行了测试。我们分别评估了 rFast-MMDNet 的两个阶段，随后与四种非迭代参考方法比较，包括直接反演法（AA-MMD）、图像域 DL 方法（ID-UNet）、AA-MMD/ID-UNet + DenoiseNet 以及正弦图域 DL 方法（Triple-CBCT）。结果表明，从 DE 透射域存储信息训练的模型可对脂肪、钙化和纤维腺体材料产生高保真分解，相对于真值的平均 RMSE、MAE、负 PSNR 和 SSIM 分别为 0.004±0、0.001±0、-45.027±0.542 和 0.002±0。整个 rFast-MMDNet 在 4×RTX A6000 GPU 集群上训练耗时一天，推理时间 <1s。所有 DL 方法总体上比 AA-MMD 分解更准确。rFast-MMDNet 优于 Triple-CBCT，但二者均优于基于图像域的方法。
引用
@article{arxiv.2311.00188,
title = {A Two-Step Framework for Multi-Material Decomposition of Dual Energy Computed Tomography from Projection Domain},
author = {Di Xu and Qihui Lyu and Dan Ruan and Ke Sheng},
journal= {arXiv preprint arXiv:2311.00188},
year = {2023}
}
备注
AAPM 2023 Dl-spectral Challenge Summary