借鉴邻域信息：基于分箱共享与深度学习的正弦图补全以重建高质量 4DCBCT 的新方法
医学物理
2018-08-14 v1
摘要
受深度学习在低剂量与稀疏 CT 图像复原中成功应用的启发，我们提出了一种从稀疏数据集重建高质量四维锥束 CT（4DCBCT）图像的新方法。我们的方法将“分箱共享”的思想与深度卷积神经网络（CNN）模型相结合。具体而言，对于每个呼吸分箱，通过取相邻分箱的投影并进行线性插值，获得患者正弦图的初始估计。随后，将估计的正弦图输入一个 CNN，由其预测完整的高质量正弦图。最后，使用传统的 CBCT 算法（如 Feldkamp、Davis 和 Kress（FDK）方法）对预测的正弦图进行重建。我们所称的 Sino-Net 的 CNN 模型在不同的损失函数下进行了训练。我们从图像质量指标（均方误差、平均绝对误差、峰值信噪比和结构相似性）和肿瘤运动精度（相对于真实值的肿瘤质心偏差）方面评估了所提方法的性能。总体而言，该原型模型能够显著改善 4DCBCT 图像质量，相对于标准 FDK 重建去除了大部分条纹伪影并降低了噪声。我们的方法预测的相对于真实值的肿瘤质心偏差平均约为 0.5 mm（最大偏差约为 2 mm）。这些初步结果令人鼓舞，促使我们进一步在更具挑战性的成像条件下研究模型性能，并将其与最先进的 CBCT 重建算法进行比较。
引用
@article{arxiv.1808.03693,
title = {Learning from our neighbours: a novel approach on sinogram completion using bin-sharing and deep learning to reconstruct high quality 4DCBCT},
author = {Joel Beaudry and Pedro L. Esquinas},
journal= {arXiv preprint arXiv:1808.03693},
year = {2018}
}
备注
7 pages, 5 figures