基于强化学习的CT获取与重构参数优化——通过虚拟成像试验
机器学习
2025-10-13 v1
摘要
协议优化是CT扫描的关键，旨在实现高诊断图像质量的同时最小化辐射剂量。然而，由于CT获取和重构参数之间存在复杂的相互依赖性，传统优化方法依赖于这些参数组合的穷举测试，这往往难以实现。本研究引入一种新方法，将虚拟成像工具与强化学习相结合，更高效地优化CT协议。使用经验证的CT模拟器对带肝脏病变的模型进行成像，并采用新型CT重构工具包进行重构。优化参数空间包括管电压、管电流、重构核函数、切片厚度和像素大小。优化过程采用Proximal Policy Optimization (PPO)智能体完成，该智能体被训练以最大化图像质量目标，即肝脏病变在重构图像中的可检测指数 (d')。将优化结果与在超级计算机上进行的穷举搜索进行比较。实验表明，所提出的强化学习方法在测试案例中实现了全局最大d'值，所需步骤数比穷举搜索减少了79.7%，展现了准确性和计算效率。该框架灵活可适配 various 图像质量目标。我们的发现凸显了将虚拟成像工具与强化学习集成用于CT协议管理的潜力。
引用
@article{arxiv.2510.08763,
title = {Reinforcement Learning-Based Optimization of CT Acquisition and Reconstruction Parameters Through Virtual Imaging Trials},
author = {David Fenwick and Navid NaderiAlizadeh and Vahid Tarokh and Nicholas Felice and Darin Clark and Jayasai Rajagopal and Anuj Kapadia and Benjamin Wildman-Tobriner and Ehsan Samei and Ehsan Abadi},
journal= {arXiv preprint arXiv:2510.08763},
year = {2025}
}