CT 物理学中的深度残差学习：能谱 CT 的散射校正
医学物理
2018-01-12 v3
摘要
最近，能谱 CT 在各种临床应用中引起了广泛关注，主要因为它能够提供关于材料性质的定量信息。重建数据的定量完整性取决于应用于测量的数据校正的准确性。散射校正在能谱 CT 中是一种特别敏感的校正，因为它取决于系统效应以及被成像的物体，并且任何残余散射都会在非线性材料分解过程中被放大。消除散射的一种准确方法是减去通过蒙特卡洛模拟估计的散射。然而，为了获得足够好的散射估计，需要极大数量的光子，这可能导致意想不到的高计算成本。其他方法使用通过经验方法导出的核将散射建模为卷积操作。由于无法充分捕获物体依赖性，这些技术在能谱 CT 中被发现是不充分的。在这项工作中，我们开发了一个深度残差学习框架来解决计算简单性和物体依赖性这两个问题。训练了一个深度卷积神经网络以根据训练集中的投影内容确定散射分布。在数字拟人模体和真实水模体的测试案例中，我们证明了所提出的网络以低得多的计算成本提供了足够准确的散射估计。
引用
@article{arxiv.1708.04151,
title = {Deep residual learning in CT physics: scatter correction for spectral CT},
author = {Shiyu Xu and Peter Prinsen and Jens Wiegert and Ravindra Manjeshwar},
journal= {arXiv preprint arXiv:1708.04151},
year = {2018}
}