基于监督深度学习框架的辐射声学信号去噪用于成像与治疗监测
医学物理
2023-04-28 v1
摘要
辐射诱导声学（RA）成像是一种有前景的技术，用于可视化组织中辐射能量沉积，从而实现新的成像模态与实时治疗监测。然而，它需要测量数百甚至数千次平均以获得满意的信噪比（SNR）。这种重复测量增加了电离辐射剂量并降低了 RA 成像的时间分辨率，限制了其临床效用。本研究中，我们开发了通用深度 inception 卷积神经网络（GDI-CNN）对 RA 信号去噪，以大幅减少平均次数。网络中的多膨胀卷积允许编码和解码具有不同时域特征的信号特征，使网络可泛化至来自不同辐射源的信号。所提方法使用 X 射线诱导声学、原声学与电声学信号的实验数据进行了定性与定量评估。结果表明了 GDI-CNN 的有效性与泛化能力：对于所有纳入的 RA 模态，GDI-CNN 使用少于 2% 的平均次数即实现了与全平均信号相当的信噪比，显著降低了成像剂量并改善了时间分辨率。所提出的深度学习框架是一种用于少帧平均声学信号去噪的通用方法，显著提升了 RA 成像在低剂量成像与实时治疗监测中的临床效用。
引用
@article{arxiv.2304.13868,
title = {Radiation-induced Acoustic Signal Denoising using a Supervised Deep Learning Framework for Imaging and Therapy Monitoring},
author = {Zhuoran Jiang and Siqi Wang and Yifei Xu and Leshan Sun and Gilberto Gonzalez and Yong Chen and Q. Jackie Wu and Liangzhong Xiang and Lei Ren},
journal= {arXiv preprint arXiv:2304.13868},
year = {2023}
}