基于先验信息感知学习的能谱CT及物质定量智能成像算法

A semi-supervised material quantitative intelligent imaging algorithm for spectral CT based on prior information perception learning

二维码有效期 120s

摘要目的提出一种基于先验信息感知学习的能谱CT半监督物质定量智能成像算法(SLMD-Net),以提升能谱CT及物质定量成像精度和质量,并降低数据驱动网络对标签数据的依赖性.方法算法框架包括监督子模块和自监督子模块.在监督子模块中,基于少量标签数据和均方误差损失函数学习构建从低信噪比数据到高信噪比数据的映射关系;在自监督子模块中,针对大量无标签低信噪比基物质图像数据,采用基于图像恢复模型构建损失函数,并纳入基物质图像数据的先验信息,以全变分(TV)模型刻画图像的先验信息.两个子模块合并构成SLMD-Net并通过临床仿真数据评估可行性和有效性.结果与模型驱动的物质定量成像方法(FBP-DI、PWLS-PCG、E3DTV),数据驱动的物质定量成像方法,如基于监督学习的物质定量成像方法(SUMD-Net和BFCNN),基于无监督学习的物质定量成像方法UNTV-Net以及基于半监督的循环一致性生成对抗网络(Semi-CycleGAN)相比,SLMD-Net在视觉和定量评估上均有明显优势,如在水物质定量成像结果和骨物质定量成像结果中,SLMD-Net获得最高的PSNR指标(31.82和29.06)、最高的FSIM指标(0.95和0.90)以及最低的RMSE指标(0.03和0.02),且图像质量评分与其他7种对比方法分解性能的差异具有统计学意义(P<0.05).SLMD-Net的物质定量性能可接近于使用两倍数量级标签数据训练的SUMD-Net.结论少量标签数据和大量无标签低信噪比基物质图像数据可被充分利用训练网络,有效抑制能谱CT基物质分解过程中产生的强噪声伪影,降低数据驱动网络对标签数据的依赖性,具有更广阔的临床应用前景.