使用深度学习的低剂量 CT 图像增强
图像与视频处理
2023-11-01 v1 计算机视觉与模式识别
摘要
电离辐射用于诊断成像在全球范围内十分常见。然而，成像过程本身仍是一项相对危险的操作。因此，应尽可能使用低剂量的电离辐射，尤其在计算机断层扫描（CT）成像系统中，其中为重建身体组织切片需进行多次 X 射线操作。CT 成像中一种广为人知的辐射剂量降低方法称为四分之一剂量技术，其降低了 X 射线剂量但可能导致图像清晰度下降。由于从定向 X 射线进行 CT 图像重建是非线性过程，解析地校正剂量降低对图像质量的影响十分困难。近期流行的深度学习方法为低剂量伪影的图像增强提供了引人关注的可能性。一些近期工作为此提出了多种深度学习与传统方法的组合，使过程过于复杂。然而，此处观察到直接应用著名的 U-NET 对低剂量伪影的校正非常成功。与真实放射科医生的盲测表明，U-NET 增强的四分之一剂量 CT 图像不仅在视觉上比较低剂量版本有巨大改善，而且成为诊断上更受偏好的图像，即便与全剂量 CT 版本相比也是如此。
引用
@article{arxiv.2310.20265,
title = {Low-Dose CT Image Enhancement Using Deep Learning},
author = {A. Demir and M. M. A. Shames and O. N. Gerek and S. Ergin and M. Fidan and M. Koc and M. B. Gulmezoglu and A. Barkana and C. Calisir},
journal= {arXiv preprint arXiv:2310.20265},
year = {2023}
}