又一篇SCI，上海理工大学Huang, Gang新进展！
论论资讯 ｜ 2024-04-29 ｜
44热度
Biomedical Signal Processing and Control
Explore content
About the journal
Publish with us
An unsupervised deep learning network model for artifact correction of cone-beam computed tomography images
Zhang W.; Ding H.; Xu H.; Jin M.; Huang G.
Published：2024-09-01
DOI：10.1016/j.bspc.2024.106362
研究背景
在当今社会，医疗影像技术在诊断和治疗中扮演着至关重要的角色。然而，锥束计算机断层扫描（CBCT）图像中的伪影问题一直困扰着医学影像学领域。这些伪影可能会影响到放射治疗的准确性，因此如何有效校正CBCT图像中的伪影成为当前研究的焦点之一。
研究内容
最新发表在《生物医学信号处理与控制》期刊上的一篇论文介绍了一种无监督深度学习网络模型，用于校正CBCT图像中的伪影。该模型基于循环一致生成对抗网络（CycleGAN），具有无需注册数据集的优势。研究者设计了一种改进的CycleGAN模型，利用注意力模块和结构一致性损失函数，通过训练模型，成功生成了高质量的虚拟计划CT（sPCT^）图像。与原始模型相比，改进后的模型在图像质量评估指标PSNR、MAE、RMSE上分别提高了2.87%、9.64%和7.91%。同时，在结构一致性评估指标SSIM和MIND上分别提高了2.43%和32.03%。这意味着改进后的模型在保留原始CBCT图像解剖细节的同时，提高了图像质量。
研究意义
这项研究的创新之处在于改进了CycleGAN模型，成功生成了高质量的sPCT^图像，并准确保留了原始CBCT图像的解剖细节。这一技术对于提高自适应放射治疗（ART）的准确性具有重要意义，为临床应用提供了巨大潜力。
通过这项研究，我们看到了深度学习在医学影像处理中的潜力，为未来医疗技术的发展带来了新的希望。
学术热榜
查看全部
相关资讯
换一批