[论文解读] CT Field of View Extension Using Combined Channels Extension and Deep Learning Methods
本文提出一种两阶段方法，通过先线性外推外侧反投影图通道以扩大角度宽度，再使用U-Net深度学习模型减少扩展区域内的伪影，从而扩展CT成像的视野（FoV）。该方法在计算成本较低的前提下，相比最先进方法实现了更优的图像质量，能够为肥胖患者或放疗计划等复杂病例提供诊断级的扩展重建结果。
This paper proposes a method to extend the field of view of computed tomography images. In a first step, the field of view is increased by extrapolating linearly the outer channels in the sinogram space. The modified sinogram is then used to reconstruct extended field of view (EFoV) images containing artifacts due to the channels extension. In a second step, those artifacts are reduced by a deep learning network in image space. The proposed method has been evaluated on a collection of clinical scans. The resulting volumes have been checked for consistency and plausibility and compared to an existing state of the art EFoV method.
研究动机与目标
- 解决CT扫描仪在固定扫描视野（SFoV）之外无法无伪影重建解剖结构的局限性。
- 开发一种计算效率高的方法，在保持原始SFoV区域诊断质量的同时扩展视野。
- 利用深度学习减少因投影数据不完整导致的扩展视野区域内的伪影。
- 在现有最先进方法（如HDFoV）的基础上进一步提升临床重建结果的逼真度与一致性。
提出的方法
- 该方法首先通过将最外侧通道线性外推至零，沿通道方向扩展反投影图，使角度宽度扩大EFoV/SFoV倍。
- 对扩展后的反投影图应用滤波反投影（FBP），生成包含扩展区域伪影的初始扩展视野（EFoV）图像。
- 训练一个U-Net深度学习网络，通过最小化结构差异与像素级差异，将伪影严重的EFoV图像映射为更清晰、更逼真的版本。
- 将网络输出进行归一化，使其与输入EFoV图像的强度分布一致，以保留SFoV区域并确保SFoV/EFoV边界处的一致性。
- 训练使用原始临床扫描及其对应伪影影响的EFoV重建结果组成的配对数据，损失仅在EFoV区域计算，采用DSSIM与均方误差的加权和。
- 将网络输出的SFoV区域替换为对应FBP重建结果中的SFoV区域，以防止诊断关键解剖结构发生失真。
实验结果
研究问题
- RQ1线性外推反投影图通道并结合基于深度学习的伪影校正，是否能产生比现有方法更高质量的扩展视野CT重建？
- RQ2当输入为扩展反投影图的FBP重建时，U-Net在多大程度上能减少CT重建中的伪影？
- RQ3所提出的方法是否在提升扩展区域图像逼真度的同时，保持了原始扫描视野区域的诊断质量？
- RQ4在无真实标签的临床数据上，该方法表现如何，特别是在涉及复杂解剖结构或患者体型限制的情况下？
主要发现
- 在5例临床病例中的3例中，该方法在定性评估中优于最先进方法HDFoV，尤其在减少人工结构和提升解剖合理性方面表现更优。
- 对于病例1，该方法引入了人工结构，表明其在处理特定解剖构型或高对比度区域时存在局限性。
- 在病例3中，该方法未能重建患者部分解剖结构（如手臂），表明当结构超出探测器角度覆盖范围时，视野扩展面临挑战。
- 该方法在计算效率与图像质量之间实现了良好平衡，使其适用于放疗计划和肥胖患者成像等临床工作流程。
- 通过强度归一化与轴位、冠状位、矢状位的视觉检查，确认U-Net有效减少了EFoV区域的伪影，同时保持了SFoV区域的完整性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。