A residual dense network assisted sparse view reconstruction for breast computed tomography.
A residual dense network assisted sparse view reconstruction for breast computed tomography.
复制标题
DOI：
10.1038/s41598-020-77923-0
复制
发表时间：
2020-12-03
影响因子：
4.6
通讯作者：
Bilgin A
中科院分区：
文献类型：
--
作者：
Fu Z;Tseng HW;Vedantham S;Karellas A;Bilgin A
为了开发和研究一种在专用乳腺计算机断层扫描中使用稀疏视图采集来减少辐射剂量的深度学习方法，我们提出了一个将 3D 稀疏视图锥束采集与多切片残差密集网络 (MS-RDN) 重建相结合的框架。使用 FDK 算法重建 34 名女性的投影数据集（300 个视图，全扫描）并作为参考。使用 FDK 算法重建稀疏视图（100 个视图，全扫描）投影数据。所提出的 MS-RDN 使用稀疏视图和参考 FDK 重建分别作为输入和标签。与传统的压缩感知方法和最先进的基于深度学习的方法相比，我们的 MS-RDN 根据完全采样的 FDK 参考进行评估，在定量和视觉上产生了卓越的性能。所提出的深度学习驱动框架有可能实现低剂量乳腺 CT 成像。
To develop and investigate a deep learning approach that uses sparse-view acquisition in dedicated breast computed tomography for radiation dose reduction, we propose a framework that combines 3D sparse-view cone-beam acquisition with a multi-slice residual dense network (MS-RDN) reconstruction. Projection datasets (300 views, full-scan) from 34 women were reconstructed using the FDK algorithm and served as reference. Sparse-view (100 views, full-scan) projection data were reconstructed using the FDK algorithm. The proposed MS-RDN uses the sparse-view and reference FDK reconstructions as input and label, respectively. Our MS-RDN evaluated with respect to fully sampled FDK reference yields superior performance, quantitatively and visually, compared to conventional compressed sensing methods and state-of-the-art deep learning based methods. The proposed deep learning driven framework can potentially enable low dose breast CT imaging.
登录
查看更多内容
影响因子：
3.5
作者：
Bian J;Yang K;Boone JM;Han X;Sidky EY;Pan X
通讯作者：
Pan X
影响因子：
3.8
作者：
Gazi, Peymon M.;Yang, Kai;Aminololama-Shakeri, Shadi
通讯作者：
Aminololama-Shakeri, Shadi
影响因子：
10.6
作者：
Kang, Eunhee;Chang, Won;Ye, Jong Chul
通讯作者：
Ye, Jong Chul
影响因子：
10.6
作者：
Jin, Kyong Hwan;McCann, Michael T.;Unser, Michael
通讯作者：
Unser, Michael
影响因子：
23.8
作者：
Davoudi, Neda;Dean-Ben, Xose Luis;Razansky, Daniel
通讯作者：
Razansky, Daniel