AI 赋能的超低剂量 CT 重建
图像与视频处理
2021-06-21 v1 计算机视觉与模式识别
机器学习
摘要
根据 ALARA（尽可能合理可行地低）原则，超低剂量 CT 重建是最小化癌症风险与遗传损伤（尤其对儿童）的圣杯。随着医学 CT 技术的发展，迭代算法被广泛用于从低剂量扫描重建出良好 CT 图像。近来，人工智能（AI）技术在将 CT 辐射剂量进一步降至下一水平方面展现出巨大前景。本文中，我们证明 AI 驱动的 CT 重建在可与放射摄影相媲美的超低剂量水平上提供诊断级图像质量。具体而言，我们在此开发了一种分割展开网格状交替重建（SUGAR）网络，其中深度学习、物理建模与图像先验被集成。临床数据集的重建结果显示，使用 SUGAR 可从 36 个投影重建出优异图像。该方法有潜力改变未来医疗。
引用
@article{arxiv.2106.09834,
title = {AI-Enabled Ultra-Low-Dose CT Reconstruction},
author = {Weiwen Wu and Chuang Niu and Shadi Ebrahimian and Hengyong Yu and Mannu Kalra and Ge Wang},
journal= {arXiv preprint arXiv:2106.09834},
year = {2021}
}
备注
19 pages, 10 figures, 1 table, 44 references