IEEE Transactions on Medical Imaging· 2017Q1
Düşük Dozlu BT'de Artık Kodlayıcı-Kod Çözücü Evrişimsel Sinir Ağı
Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network
- 1.840atıf
- Q1SCImago
- 2017yıl
Kısa özet
Yeni bir Artık Kodlayıcı-Kod Çözücü Evrişimsel Sinir Ağı (RED-CNN), düşük dozlu BT görüntülerindeki gürültüyü etkili bir şekilde bastırır ve yapısal ayrıntıları koruyarak mevcut en gelişmiş yöntemlere göre üstün performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Düşük dozlu BT görüntüleme için yeni bir RED-CNN mimarisi önerilmiştir.
- RED-CNN, ham veri gerektiren yöntemlerin aksine, yeniden yapılandırılmış görüntüleri doğrudan işler.
- Ağ, kodlayıcı-kod çözücü, dekonvolüsyon ve kısa bağlantıları birleştirir.
- RED-CNN, gürültü bastırma, yapısal koruma ve lezyon tespitinde rekabetçi bir performans elde eder.
- Yöntem, hem simüle edilmiş hem de klinik düşük dozlu BT vakalarında umut vaat etmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Given the potential risk of X-ray radiation to the patient, low-dose CT has attracted a considerable interest in the medical imaging field. Currently, the main stream low-dose CT methods include vendor-specific sinogram domain filtration and iterative reconstruction algorithms, but they need to access raw data, whose formats are not transparent to most users. Due to the difficulty of modeling the statistical characteristics in the image domain, the existing methods for directly processing reconstructed images cannot eliminate image noise very well while keeping structural details. Inspired by the idea of deep learning, here we combine the autoencoder, deconvolution network, and shortcut connections into the residual encoder-decoder convolutional neural network (RED-CNN) for low-dose CT imaging. After patch-based training, the proposed RED-CNN achieves a competitive performance relative to the-state-of-art methods in both simulated and clinical cases. Especially, our method has been favorably evaluated in terms of noise suppression, structural preservation, and lesion detection.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Medical Imaging, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Radyoloji, Nükleer Tıp ve Görüntüleme
Radiology, Nuclear Medicine and ImagingMedicine