通过真实厚层 CT 仿真增强超分辨率网络

Zeyu Tang; Xiaodan Xing; Guang Yang

通过真实厚层 CT 仿真增强超分辨率网络

图像与视频处理 2024-06-04 v3 人工智能计算机视觉与模式识别医学物理

作者: Zeyu Tang , Xiaodan Xing , Guang Yang

摘要

基于深度学习的生成模型有潜力将低分辨率 CT 图像转换为高分辨率图像，而无需在薄层 CT 成像中延长采集时间与增加辐射暴露。然而，为这些超分辨率(SR)模型获取合适的训练数据具有挑战性。既往 SR 研究从薄层 CT 图像仿真厚层 CT 图像以构建训练对，但这些方法要么依赖缺乏真实感的简化插值技术，要么依赖正弦图重建，而后者需公开原始数据与复杂重建算法。为此，我们引入一种简单而真实的方法，从薄层 CT 图像生成厚层 CT 图像，便于为 SR 算法创建训练对。我们的方法所产生的训练对在数据分布上与真实数据高度相似(PSNR=49.74 对比 40.66，p $<$ 0.05)。一项涉及伴肺纤维化的厚层 CT 图像的多变量 Cox 回归分析显示，仅使用我们方法提取的放射组学特征与死亡率显著相关(HR=1.19 与 HR=1.14，p $<$ 0.005)。本文首次识别并解决了为基于深度学习的 CT SR 模型生成合适配对训练数据的挑战，从而提升了 SR 模型在真实场景中的效能与适用性。

关键词

超分辨率 CT 成像厚层仿真深度学习训练数据放射组学肺纤维化

引用

@article{arxiv.2307.10182,
  title  = {Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation},
  author = {Zeyu Tang and Xiaodan Xing and Guang Yang},
  journal= {arXiv preprint arXiv:2307.10182},
  year   = {2024}
}

备注

11 pages, 4 figures

通过真实厚层 CT 仿真增强超分辨率网络

摘要

关键词

引用

备注

相关论文