Dieser Überblicksartikel fasst den aktuellen Stand der Forschung zur Verwendung von tiefem Lernen zur Reduzierung von Artefakten in Kegelstrahl-Computertomographie-Bildern (CBCT) zusammen. Er gliedert sich wie folgt:
Einleitung: CBCT ist eine bildgebende Technik, die in der Medizin, z.B. in der bildgeführten Strahlentherapie, eingesetzt wird. CBCT-Bilder leiden jedoch unter verschiedenen Arten von Artefakten, die durch die Kegelstrahl-Geometrie, niedrige Dosis, weniger Projektionen, begrenzte Winkel, Streuung, Strahlaufhärtung und Bewegung verursacht werden.
Methoden: Der Artikel untersucht Techniken zur Reduzierung dieser Artefakte, die auf tiefem Lernen basieren. Die Methoden werden in Bezug auf die Art der Artefakte kategorisiert, die sie adressieren. Dies umfasst Optimierungen im Projektions- und/oder Volumenbereich sowie neuartige CBCT-Rekonstruktionsverfahren.
Bildqualität: Tiefes Lernen wurde erfolgreich eingesetzt, um die Bildqualität von CBCT-Scans durch Reduzierung von Artefakten aufgrund der Kegelstrahl-Geometrie zu verbessern. Dazu gehören überwachtes Lernen mit CNNs, unüberwachtes Lernen mit GANs und Cycle-GANs sowie Ansätze, die neuronale Netze direkt in den Rekonstruktionsalgorithmus integrieren.
Niedrige Dosis: Tiefe Lernmodelle konnten Artefakte in CBCT-Scans mit reduzierter Dosis pro Projektion oder weniger Projektionen erfolgreich reduzieren, sowohl im Projektions- als auch im Volumenbereich.
Wenige Projektionen: Methoden zur Reduzierung von Artefakten bei CBCT-Scans mit wenigen Projektionen umfassen Interpolation fehlender Projektionen, Optimierung im Projektions- und Volumenbereich sowie die gemeinsame Optimierung von Projektion und Rekonstruktion.
Begrenzter Winkel: Tiefes Lernen konnte auch Artefakte in CBCT-Scans mit begrenztem Winkelbereich reduzieren, z.B. durch Verwendung von Priorinformationen aus CT-Scans.
Streuung und Strahlaufhärtung: Überwachtes Lernen von Modellen zur Schätzung der Streuung und Strahlaufhärtung in den Projektionen zeigte vielversprechende Ergebnisse.
Metallartefakte: Verschiedene tiefe Lernansätze, einschließlich überwachter, selbstüberwachter und unüberwachter Methoden, konnten Metallartefakte in CBCT-Scans reduzieren.
Bewegungsartefakte: Methoden zur Reduzierung von Bewegungsartefakten in 4D-CBCT umfassen die Verwendung von Bewegungsinformationen, physikalische Modellierung der Bewegung sowie neuartige Rekonstruktionsverfahren.
Diskussion: Der Artikel diskutiert den Trend hin zu generativen Modellen wie GANs und diffusionsbasierten Modellen für die Artefaktreduktion und betont die Notwendigkeit von vielfältigeren und öffentlich zugänglichen Trainingsdatensätzen.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Mohammadreza... klo arxiv.org 03-28-2024
https://arxiv.org/pdf/2403.18565.pdfSyvällisempiä Kysymyksiä