1766530758
2025-12-23 22:02:00
この研究では、正確な有効原子番号 (EAN) 予測を通じてデュアルエネルギー CT (DECT) における相対電子密度 (RED) 推定を改善するための深層学習 (DL) アプローチを紹介します。ベンチトップのフォトンカウンティング検出器 CT が組織相当ファントムのスペクトル画像を取得し、改良された U-Net が合成データでトレーニングされて EAN を直接推定しました。予測された EAN は、物理ベースのモデルを使用して RED に変換されました。平均絶対誤差 (MAE)、相対誤差、残差を使用して 8 つの材料の性能を評価し、結果を従来のラザフォード法および化学量論法と比較しました。 DL モデルは EAN で 0.08% の MAE を達成し、ラザフォード (1.59%) および化学量論的 (1.54%) アプローチを上回りました。 RED 推定では、DL は 0.62% の MAE に達し、残差は理論値の – 0.01 ～ 0.02 の範囲でした。キャリブレーション分析では、従来の ΔHU-RED 曲線では高い直線性 (R² ≈ 0.9995) が示されましたが、DL ベースの方法ではわずかに高い直線性 (R² = 0.9998) が示されました。全体として、このファントム研究では、DL フレームワークにより、分析手法と比較して RED の精度と HU-RED の直線性が向上しました。この研究で行われたファントム実験で高度に線形なΔHU-RED検量線を提供することにより、材料の差別化が強化され、将来の臨床応用でより正確な線量計算をサポートする可能性があります。
#デュアルエネルギーフォトンカウンティングCTにおけるHUからREDへの校正のための有効原子番号の深層学習推定