辐射诱导声信号去噪的监督深度学习框架在成像和治疗监测中的应用
摘要：放射引起的声学（RA）成像是一种有前途的技术，可以可视化组织中的辐射能量沉积，实现新的成像模式和实时治疗监测。然而，为了达到令人满意的信噪比（SNR），需要测量数百甚至数千次平均值。这种重复测量增加了电离辐射剂量，并降低了RA成像的时间分辨率，限制了其临床效用。在本研究中，我们开发了一种通用的深度收缩卷积神经网络（GDI-CNN）来去噪RA信号，从而大大减少平均次数。网络中的多重膨胀卷积允许对具有不同时间特性的信号特征进行编码和解码，使网络能够适用于不同辐射源的信号。所提出的方法使用X射线诱导声学、原声学和电声学信号的实验数据进行了定性和定量评估。结果表明GDI-CNN的有效性和通用性：对于所有参与的RA模态，GDI-CNN在使用不到2％的平均次数时达到了与完全平均信号相当的SNR，显著减少了成像剂量并改善了时间分辨率。所提出的深度学习框架是一种通用的少帧平均声学信号去噪方法，显著提高了RA成像在低剂量成像和实时治疗监测方面的临床效用。
作者：Zhuoran Jiang, Siqi Wang, Yifei Xu, Leshan Sun, Gilberto Gonzalez, Yong Chen, Q. Jackie Wu, Liangzhong Xiang, Lei Ren
论文ID：2304.13868
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-04-28