基于并行扩散模型的稀疏视角锥束乳腺 CT
图像与视频处理
2024-01-30 v3 机器学习
信号处理
生物物理
摘要
乳腺癌是全球女性中最普遍的癌症，早期检测对降低死亡率和改善生活质量至关重要。专用乳腺计算机断层扫描（CT） scanners 通常比乳腺摄影和断层合成提供更好的图像质量，但辐射剂量更高。为使乳腺 CT 用于癌症筛查，挑战是在不损害图像质量的前提下根据 ALARA 原则（合理可行尽量低）最小化辐射剂量。过去几年，深度学习在各种任务中展现出显著成功，包括低剂量 CT 尤其是少视角 CT。目前，扩散模型代表了 CT 重建的最先进水平。为开发首个基于扩散模型的乳腺 CT 重建方法，我们在此报告了应对乳腺锥束 CT 重建的大内存需求及扩散模型高计算成本的创新。具体而言，在本研究中，我们将前沿的去噪扩散概率模型（DDPM）转化为一种并行框架，用于投影域和图像域中基于子体积的稀疏视角乳腺 CT 图像重建。这种新方法涉及并发训练两个独立的 DDPM 模型，专门协同处理双域中的投影和图像数据。我们的实验结果表明，该方法在标准辐射剂量的二分之一到三分之一下提供了有竞争力的重建性能。这一进展展示了扩散型模型在高分辨率、大幅降低辐射剂量的体积乳腺重建中的令人振奋的潜力，并有望由此重新定义乳腺癌筛查与诊断。
引用
@article{arxiv.2303.12861,
title = {Parallel Diffusion Model-based Sparse-view Cone-beam Breast CT},
author = {Wenjun Xia and Hsin Wu Tseng and Chuang Niu and Wenxiang Cong and Xiaohua Zhang and Shaohua Liu and Ruola Ning and Srinivasan Vedantham and Ge Wang},
journal= {arXiv preprint arXiv:2303.12861},
year = {2024}
}