基于深度学习的条件式修复用于受伪影影响的4D CT图像复原
医学物理
2024-11-26 v2 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
4D CT成像是胸/腹部肿瘤放疗的重要组成部分。然而，4D CT图像常受伪影影响，从而损害治疗计划质量。本工作提出基于深度学习（DL）的条件式修复，以复原受伪影区域的解剖学正确图像信息。该复原方法由两阶段过程组成：基于DL的常见插值（INT）与双结构（DS）伪影检测，随后对伪影区域应用条件式修复。在此背景下，条件式是指修复过程由患者特异性图像数据引导，以确保解剖学可靠的结果。本研究基于65例机构内部肺癌患者4D CT图像（48例仅有轻微伪影，17例有明显伪影）以及两个公开可用的4D CT数据集作为独立外部测试集。自动伪影检测显示，机构内部数据中INT的ROC-AUC为0.99，DS伪影为0.97。所提出的修复方法使机构内部数据的平均均方根误差（RMSE）降低了52%（INT）和59%（DS）。对于外部测试数据集，RMSE改善类似（分别为50%和59%）。应用于具有明显伪影的4D CT数据（不属于训练集）时，72%的可检测伪影被去除。结果凸显了基于DL的修复用于复原受伪影影响4D CT数据的潜力。与近期4D CT修复与复原方法相比，所提方法展示了利用患者特异性先验图像信息的优势。
引用
@article{arxiv.2203.06431,
title = {Deep learning-based conditional inpainting for restoration of artifact-affected 4D CT images},
author = {Frederic Madesta and Thilo Sentker and Tobias Gauer and Rene Werner},
journal= {arXiv preprint arXiv:2203.06431},
year = {2024}
}
备注
13 pages