Correction de dispersion du CT à faisceau conique utilisant un réseau de neurones convolutionnels résiduels profond (DRCNN)

La correction de dispersion est une technique essentielle pour améliorer la qualité d'image du CT à faisceau conique (CBCT). Bien que différentes méthodes de correction de dispersion aient été proposées dans la littérature, une solution standard est encore à l'étude en raison de limitations telles que la précision, l'efficacité de calcul et la généralisation. Dans cet article, nous proposons un schéma de correction de dispersion novateur pour le CBCT utilisant un réseau de neurones convolutionnels résiduels profond (DRCNN) afin de surmonter ces limitations. La méthode proposée combine le réseau de neurones convolutionnels profond (CNN) et le cadre d'apprentissage résiduel (RLF) pour entraîner la fonction de mappage de l'image non corrigée à l'image corrigée. Deux modules de réseau résiduel (RNM) sont construits sur la base du RLF pour améliorer la précision de la fonction de mappage en renforçant la propagation du gradient. Les opérations de dropout sont appliquées comme régularisateur du réseau pour éviter le problème de surajustement. L'RMSE des images corrigées reconstruites à l'aide du DRCNN est réduite de plus de 200 HU à environ 20 HU. La similarité structurelle (SSIM) augmente légèrement de 0,95 à 0,99, indiquant que le schéma proposé maintient la structure anatomique. Le DRCNN proposé a une précision de correction de dispersion plus élevée que les réseaux sans le RLF ou les opérations de dropout. Le réseau proposé est efficace, efficient et robuste comme solution à la correction de dispersion du CBCT.