深度学习 CT 重建用于实时剂量优化的鲁棒性研究
图像与视频处理
2020-12-08 v1 计算机视觉与模式识别
机器学习
摘要
在计算机断层扫描（CT）中，自动曝光控制（AEC）常用于减少患者辐射剂量暴露。对于器官特异性 AEC，需要进行初步的 CT 重建以估计器官形状用于剂量优化，其中仅允许使用少量投影进行实时重建。在这项工作中，我们研究了自动流形近似变换（AUTOMAP）在此类应用中的性能。为概念验证，我们首先在 MNIST 数据集上研究其性能，该数据集包含所有 10 个数字并随机划分为训练集和测试集。我们训练 AUTOMAP 模型直接从 2 个或 4 个投影进行图像重建。测试结果表明，AUTOMAP 能够以分别为 1.6% 和 6.8% 的错误率较好地重建大多数数字。在随后的实验中，MNIST 数据集的划分方式为训练集仅包含 9 个数字而测试集仅包含被排除的数字，例如“2”。测试结果显示，当使用 2 个投影进行重建时，数字“2”被错误预测为“3”或“5”，错误率达 94.4%。在医学图像应用中，AUTOMAP 也在患者 CT 图像上进行了训练。测试图像的平均均方根误差为 290 HU。尽管粗略的身体轮廓被较好地重建，但部分器官形状失真。
引用
@article{arxiv.2012.03579,
title = {Robustness Investigation on Deep Learning CT Reconstruction for Real-Time Dose Optimization},
author = {Chang Liu and Yixing Huang and Joscha Maier and Laura Klein and Marc Kachelrieß and Andreas Maier},
journal= {arXiv preprint arXiv:2012.03579},
year = {2020}
}
备注
Proceedings for "2020 IEEE Nuclear Science Symposium and Medical Imaging Conference"