LIP-CAR：基于深度学习逆问题的对比剂剂量减少
计算机视觉与模式识别
2024-07-16 v1 数值分析
图像与视频处理
数值分析
摘要
在医学影像协议中采用对比剂对于准确和及时诊断至关重要。虽然对比剂非常有效且安全性极佳，但其使用也存在局限，包括罕见的过敏反应风险、潜在的环境影响以及对患者和医疗系统经济负担。本文我们解决的是对比剂剂量减少（CAR）问题，即在保持视觉增强效果的同时减少给予的对比剂剂量。当前文献中，CAR任务基于完全图像处理框架中的深度学习技术，这些技术通过数字模拟从使用低剂量对比剂获取的图像来模拟高剂量图像。我们研究了“深度学习逆问题”（LIP）方法的可行性，与最新文献中基于端到端的范式形成对比。具体而言，我们学习将高剂量图像映射到其对应低剂量图像的图像到图像算子，并将CAR任务定义为逆问题。我们通过正则化优化重构来求解该问题。正则化方法是众所周知的数学技术，具有鲁棒性和可解释性。我们的做法将这些严谨的技术与最新的深度学习工具相结合。在前临床医学图像上的数值实验确认了该策略的有效性，显示在模拟的高剂量图像中，稳定性和准确性均得到改善。
引用
@article{arxiv.2407.10559,
title = {LIP-CAR: contrast agent reduction by a deep learned inverse problem},
author = {Davide Bianchi and Sonia Colombo Serra and Davide Evangelista and Pengpeng Luo and Elena Morotti and Giovanni Valbusa},
journal= {arXiv preprint arXiv:2407.10559},
year = {2024}
}