利用卷积神经网络将单能计算机断层扫描转换为双能计算机断层扫描的参数图
医学物理
2023-09-28 v1 计算机视觉与模式识别
摘要
目的：我们提出一种使用卷积神经网络（CNN）的深度学习（DL）多任务学习框架，用于将单能 CT（SECT）直接转换为双能 CT（DECT）的三种不同参数图：虚拟单色图像（VMI）、有效原子序数（EAN）与相对电子密度（RED）。方法：我们提出 VMI-Net 用于将 SECT 转换为 70、120 和 200 keV 的 VMI。此外，还开发了 EAN-Net 与 RED-Net 以将 SECT 转换为 EAN 与 RED。我们使用 2019 至 2020 年间收集的 67 名患者对本模型进行训练与验证。以 DECT（IQon spectral CT，Philips）获取的 120 kVp SECT 图像作为输入，以同一设备获取的 VMI、EAN 与 RED 作为目标。DL 框架的性能通过绝对差值（AD）与相对差值（RD）评估。结果：VMI-Net 将 120 kVp SECT 转换为 VMI，与真实 VMI 相比 AD 为 9.02 Hounsfield Unit，RD 为 0.41\%。转换得到的 EAN 与 RED 的 AD 分别为 0.29 与 0.96，而转换得到的 EAN 与 RED 的 RD 分别为 1.99\% 与 0.50\%。结论：SECT 图像被直接转换为 DECT 的三种参数图（即 VMI、EAN 与 RED）。通过使用该模型，无需 DECT 设备即可从 SECT 图像生成参数信息。我们的模型有助于回顾性地从 SECT 研究参数信息。知识进展：深度学习框架能够将 SECT 转换为多种高质量的 DECT 参数图。
引用
@article{arxiv.2309.15314,
title = {Conversion of single-energy computed tomography to parametric maps of dual-energy computed tomography using convolutional neural network},
author = {Sangwook Kim and Jimin Lee and Jungye Kim and Bitbyeol Kim and Chang Heon Choi and Seongmoon Jung},
journal= {arXiv preprint arXiv:2309.15314},
year = {2023}
}
备注
29 pages, 17 figures