Towards robust deconvolution of low-dose perfusion CT: sparse perfusion deconvolution using online dictionary learning.
Towards robust deconvolution of low-dose perfusion CT: sparse perfusion deconvolution using online dictionary learning.
复制标题
DOI：
10.1016/j.media.2013.02.005
复制
发表时间：
2013-05
影响因子：
10.9
通讯作者：
Sanelli, Pina C.
中科院分区：
文献类型：
--
作者：
Fang, Ruogu;Chen, Tsuhan;Sanelli, Pina C.
关键词：
CT灌注成像（CTP）是一种重要的功能成像方式，在脑血管疾病的评价，特别是在急性中风和血管痉挛。然而，后处理的血流参数图往往是嘈杂的，特别是在低剂量CTP，由于嘈杂的对比度增强曲线和振荡性质的结果所产生的当前计算方法。在本文中，我们提出了一个强大的稀疏灌注反卷积方法（SPD），以估计在低辐射剂量下进行CTP的脑血流量。我们首先使用在线字典学习从高剂量灌注图构建字典，然后对低剂量CTP数据进行基于去卷积的血流动力学参数估计。我们的方法是验证正常和病理CBF地图的患者的临床数据。结果表明，我们实现了上级性能比现有的方法，并潜在地提高正常和缺血组织之间的区分在大脑中。
Computed tomography perfusion (CTP) is an important functional imaging modality in the evaluation of cerebrovascular diseases, particularly in acute stroke and vasospasm. However, the post-processed parametric maps of blood flow tend to be noisy, especially in low-dose CTP, due to the noisy contrast enhancement profile and the oscillatory nature of the results generated by the current computational methods. In this paper, we propose a robust sparse perfusion deconvolution method (SPD) to estimate cerebral blood flow in CTP performed at low radiation dose. We first build a dictionary from high-dose perfusion maps using online dictionary learning and then perform deconvolution-based hemodynamic parameters estimation on the low-dose CTP data. Our method is validated on clinical data of patients with normal and pathological CBF maps. The results show that we achieve superior performance than existing methods, and potentially improve the differentiation between normal and ischemic tissue in the brain.
登录
查看更多内容
影响因子：
3
作者：
Donoho, DL
通讯作者：
Donoho, DL
影响因子：
2.5
作者：
Candès, EJ;Romberg, J;Tao, T
通讯作者：
Tao, T
影响因子：
10.6
作者：
Elad, Michael;Aharon, Michal
通讯作者：
Aharon, Michal
影响因子：
1.8
作者：
Freeman, WT;Jones, TR;Pasztor, EC
通讯作者：
Pasztor, EC
影响因子：
10.6
作者：
He, Lili;Orten, Burkay;Pien, Homer
通讯作者：
Pien, Homer