DIRECT-Net: 用于定量双能 CT 成像的统一互域材料分解网络
医学物理
2020-08-20 v1 图像与视频处理
摘要
通过在不同 X 射线能谱下获取两组断层测量数据,双能 CT(DECT)可实现定量的物质特异性成像。然而,常规分解得到的物质基图像可能遭遇严重的图像噪声放大与伪影,导致图像质量下降与定量精度降低。结合正弦图或 CT 图像先验信息的迭代 DECT 图像重建算法在噪声与伪影抑制方面展现出潜在优势,但代价是巨大的计算资源消耗、冗长的重建时间以及繁琐的算法参数人工选取。为部分克服这些局限,我们开发了域变换赋能的端到端深度卷积神经网络(DIRECT-Net),以执行高质量的 DECT 材料分解。具体而言,所提 DIRECT-Net 可直接访问互域数据,并利用堆叠的卷积神经网络(CNN)层进行降噪与材料分解。训练数据基于 DECT 成像的底层物理进行数值模拟。采用 XCAT 数字体模、碘溶液体模与生物样本验证 DIRECT-Net 的性能。定性与定量结果表明,该新开发的 DIRECT-Net 在未来 DECT 成像中在抑制噪声、提高图像精度与减少计算时间方面颇具前景。
引用
@article{arxiv.2008.08331,
title = {DIRECT-Net: a unified mutual-domain material decomposition network for quantitative dual-energy CT imaging},
author = {Ting Su and Xindong Sun and Yikun Zhang and Haodi Wu and Jianwei Chen and Jiecheng Yang and Yang Chen and Hairong Zheng and Dong Liang and Yongshuai Ge},
journal= {arXiv preprint arXiv:2008.08331},
year = {2020}
}