基于联邦特征学习的多机型低剂量CT重建算法

目的提出一种基于联邦特征学习的多机型低剂量CT重建算法(FedCT),以提升深度学习模型对多CT机型的泛化能力并保护数据隐私。方法FedCT框架在每个协作学习的客户端中设置了一个基于数据-解析模型耦合驱动的Radon反变换智能重建模型作为局部网络模型,并采用投影域特异性学习策略,在局部投影域保留成像几何特异性。同时,引入联邦特征学习,使用条件特征参数标记局部数据并馈入网络模型进行编码以在图像域提升网络模型的泛化性。结果在跨站点的多机型、多协议低剂量CT重建实验中,FedCT的重建结果在所有对比联邦学习方法中获得了最高的PSNR(高于次优的联邦学习方法+2.8048、+2.7301、+2.7263)、最高的SSIM指标(高于次优的联邦学习方法+0.0009、+0.0165、+0.0131)以及最低的RMSE指标(低于次优的对比联邦学习方法-0.6687、-1.5956、-0.9962)。在消融实验中,相较于一般联邦学习策略,采用投影特异学习策略的模型在测试集上的PSNR指标的Q1平均提升1.18,RMSE指标的Q3平均降低1.36。在引入联邦特征学习后,FedCT在测试集上的PSNR指标的Q1进一步提升3.56,RMSE指标的Q3进一步降低1.80。结论FedCT为协作构建CT智能重建网络模型提供了有效解决方案,能够在保护数据隐私的基础上,增强网络模型泛化性,进一步地提升网络模型在全局数据上的重建性能。

数据冗余信息引导的低剂量心肌灌注CT成像方法

目的心提出一种数据冗余信息引导的低剂量心肌灌注CT成像方法。方法考虑到心肌灌注CT图像帧内含有丰富的结构冗余性,且帧间具有高度的相似性,本文提出基于非局部均值滤波(NLM)和全变分(TV)混合框架的惩罚加权最小二乘(PWLS)图像重建模型,简称为PWLS-avi NLM-TV。该模型利用了帧间结构相似性和帧内数据冗余性,能有效消除重建图像中的噪声和伪影,提高灌注序列图像帧内空间分辨率与帧间时间分辨率。结果 PWLS-avi NLM-TV相比PWLS-TV和PWLSavi NLM能更好地去除心肌灌注图像中的噪声和伪影,同时较好保持图像边缘和细节信息,进而有效区分缺血心肌与正常心肌。结论数据冗余信息引导的重建算法可有效改善低剂量心肌灌注CT成像质量,更好地为临床影像诊断服务。

CT图像的质量评估策略:基于预恢复图像先验信息

目的为有效提取更多无参考CT图像质量特征,本文提出一种基于预恢复图像先验信息的医用CT图像质量评估策略(PR-IQA),利用多信息融合输入提高IQA模型性能。方法基于卷积神经网络(CNN)的无参考医用CT图像质量评估策略。该方法利用图像恢复算法中的图像质量特征先验信息,将其以预恢复图像和恢复前后残差图像的形式,与原始失真图像信息融合输入到两个CNN中,通过多信息融合以提升CNN的特征提取能力和预测性能。实验使用基于Mayo诊所公开螺旋CT数据所建立的医用CT图像质量评估数据集。通过计算定量指标以及统计学检验对PR-IQA性能进行评估,分析了不同超参数设置对PR-IQA性能的影响。并将PR-IQA与基于单个CNN模型直接对原始失真图像进行NR-IQA的方法(BASELINE)以及8种经典的IQA算法进行对比实验。结果对比实验结果表明,基于3种不同图像恢复算法先验信息(双边滤波、非局部均值滤波、三维块匹配协同滤波)的PR-IQA模型性能优于所有对比IQA算法。并且相比BASELINE方法性能均有提升,其中PLCC平均提升12.56%,SROCC平均提升19.95%,RMSE平均降低22.77%。结论本文提出的PR-IQA方法能够充分利用图像恢复算法的先验信息,有效地预测医用CT图像质量。

基于张量广义全变分最小的稀疏角度螺旋CT重建

目的为减少螺旋CT扫描X射线辐射剂量,提出一种基于凸集投影的张量广义全变分最小(TTGV-POCS)的稀疏角度螺旋CT迭代重建算法。方法将螺旋CT三维体数据看作三阶张量,利用张量广义全变分(TTGV)最小约束刻画其三维图像的数据特性,并纳入凸集投影迭代重建框架,实现稀疏角度螺旋CT的鲁棒重建。TTGV-POCS算法充分利用螺旋CT图像数据的一阶梯度与二阶梯度的空间结构稀疏性和三维数据层间相关性,可有效抑制稀疏角度重建图像中的伪影与噪声,并较好保持图像边缘信息。结果XCAT体模数据与病人扫描数据的实验结果表明,TTGV-POCS算法相比现有重建算法在降低噪声、去除伪影和保持边缘等方面均有较好的表现;比较XCAT体模数据稀疏角度重建结果,本文提出的TTGV-POCS算法相比现有重建算法PSNR定量指标可提升9.17%~15.24%;FSIM定量指标可提升1.27%~9.30%。结论TTGV-POCS算法可有效改善稀疏角度螺旋CT重建图像质量,降低螺旋CT检查辐射剂量,更好服务于临床影像诊断。