光束几何与输入维度：对临床CT稀疏采样失真校正中U-Net模型性能的影响
计算机视觉与模式识别
2025-08-26 v1 医学物理
摘要
本研究旨在探讨 various beam geometries and dimensions of input data 对临床CT扫描中稀疏采样 streak 失真校正任务中 U-Net模型性能的影响，以纳入体积上下文以提高模型性能。 retrospectively selected 22 名受试者(01.2016-12.2018) 从 Technical University of Munich 的 research hospital, TUM Klinikum rechts der Isar。使用 Astra toolbox 模拟平行、fan 和锥形光束几何的稀疏采样 CT 体数据。2048 个视角作为 full-view scans。训练和验证 2D 和 3D U-Net 模型分别在 14 名和 8 名受试者上进行测试。对于维度研究，除 512x512 的 2D CT 图像外，还对 CT 扫描进行预处理以生成所谓的 '2.5D' 和 3D 数据：将每个 CT 体分为 64x64x64 体素块。3D 数据指单个 64 体素块。每个块的中心穿过 axial、coronal 和 sagittal 切片，结果为三个 64x64 的 2D 补丁，重新排列为单个 64x64x3 图像，作为 2.5D 数据。通过均方误差(MSE) 和结构相似性指数 measure(SSIM) 评估模型性能。对于所有几何构型，训练在 axial 2D 切片上的 2D U-Net 结果获得最佳 MSE 和 SSIM 值，优于 2.5D 和 3D 输入数据维度。
引用
@article{arxiv.2508.17961,
title = {Beam Geometry and Input Dimensionality: Impact on Sparse-Sampling Artifact Correction for Clinical CT with U-Nets},
author = {Tina Dorosti and Johannes Thalhammer and Sebastian Peterhansl and Daniela Pfeiffer and Franz Pfeiffer and Florian Schaff},
journal= {arXiv preprint arXiv:2508.17961},
year = {2025}
}