跳到主要内容

话题

诊断成像

诊断成像

深度学习将标准CT扫描转变为光谱图像

27 Oct 2020 Tami Freeman.
Virtual monoenergetic images

计算机断层扫描(CT)是一种流行的医学成像工具,可视化和量化内部结构,用于筛选,诊断,治疗计划和治疗监测。常规的临床CT扫描产生显示组织形态的光谱综合衰减图像,但不直接提供关于组织组成的任何信息。

获取两个频道不同数据集的双能CT(DECT)系统可以重建提供有关组织组成信息的虚拟单元素(VM)和材料特定图像。然而,与传统CT相比,DECT更昂贵,复杂,并且通常需要增加的辐射剂量。

对于无需访问DECT扫描的患者,使用单频谱CT扫描近似的方式近似DECT提供的信息可以改善临床诊断。有这个目的, 文祥聪 和一个由此引领的团队 葛王君瑞工业研究所 展示了一种可以从单频谱CT扫描产生VM图像的深度学习方法。

“通过传统的CT,您拍摄灰度图像,但用双能CT,您可以使用两种颜色的图像,” explains Wang. “随着深度学习,我们尝试使用标准CT机器进行双能CT成像的作业。我们希望该技术能够帮助从常规单频谱X射线CT扫描中提取更多信息,使其更加定量和改善诊断。”

王和他的团队与上海第一映像技术和GE研究合作 - 修改了一个残余神经网络(Reset),将临床单光谱CT图像转换为VM对应物。在临床DECT图像上培训网络后,它们使用它以从单频谱图像的两个能级(80和110keV)产生VM图像。这些VM图像与使用两种不同光谱的DECT重建产生的符合非常一致。

该模型能够为线性衰减系数产生高质量的近似,相对误差小于2%。两种类型的VM图像之间的结构相似度高达0.99,显示结构信息,尤其是纹理特征,通过机器学习方法良好地保存。

接下来,该团队使用基于深度学习的VM图像来生成三种组织类型的材料特定图像:脂肪,肌肉和骨骼。所得到的图像具有高质量,并且使用来自两个X射线光谱的投影数据集产生的DECT的近似近似。

研究人员注意到,骨图像可以清楚地与VM图像分离。值得注意的是,在合成的VM图像和骨图像中可见在原始多色图像中不显眼的腹主动脉中的钙化。这揭示了DL方法的潜在临床公用事业之一。

已经证明,与深度学习耦合的传统CT数据集可以提供DECT图像的近似近似,使用传统的CT执行使用DECT执行的一些重要任务可能是可能的 - 从而消除了与a相关联的硬件成本Dect扫描仪。

一个示例应用是测定用于质子治疗计划的质子停止动力,在那里重要的是准确地代表沿治疗梁的常见组织的材料浓度。该团队还突出了基于深度学习的VM成像作为光子计数微型CT的替代品 体内 临床前应用。

研究的完整细节已发布 图案.

相关事件

版权©2021由IOP Publishing Ltd和个人贡献者