简介:摘要目的研究在常规剂量扫描情况下模拟低剂量CT图像的方法,以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像,并建立深度学习模型,用于低剂量CT图像的降噪。方法使用Philip Brilliance CT Big Bore模拟定位机,其不同算法重建的CT图像具有不同的噪声水平,其中iDose4算法噪声较大,而全模型迭代重建技术(iterative model reconstruction,IMR)噪声较小。提出一种以等价噪声水平重建图像替代低剂量CT图像的方法。常规剂量和低剂量CT的曝光量分别采用250和35 mAs。分别扫描CTP712均匀模块,用IMR算法重建低剂量CT图像,用不同降噪水平的iDose4算法重建常规剂量CT图像,并根据噪声分布从中找出低剂量CT的噪声等价图像。随后,用常规剂量和噪声等价CT图像配对训练循环一致性生成对抗网络(cycle-consistent adversarial networks,CycleGAN),使用模体测试该方法对真实低剂量CT噪声的改善程度。结果用iDose4 level 1重建的常规剂量CT图像可替代IMR重建的低剂量CT图像。低剂量扫描可降低86%的辐射剂量。使用CycleGAN模型降噪后,对于均匀模块,降噪幅度为45%;对于CIRS-SBRT 038模体的脑、脊髓和骨等处,噪声值分别降低了50%,13%和7%。结论等价噪声水平重建图像可用于替代低剂量CT图像训练深度学习网络,在避免受检者受照剂量增加的同时,减少图像噪声,提高图像质量。
简介:目的验证新编中文普通话版嘈杂语噪声下语句识别表在视、听、视+听三种模式下的等价性。方法招募27名听力正常人,采用二因素(视听模式、测试表号)重复测量实验设计,分别在单视觉.单听觉(65dBSPL言语强度、-6dB信噪比)及视听结合三种模式下,在声场中完成对27张嘈杂语噪声下语句识别表的言语识别率测试。三种视听模式及测试表号在所有受试者中均衡排布。结果综合三种视听模式的识别率,27张表的识别率无显著性差异(F=0.929,P=0.568)。视.听、视+听三种模式下的语句识别率分别为33.4±14.1%、40.9±14.4%、91.4±7.3%,两两之间均表现出显著性差异。结论视觉信息的补充,可有效提高噪声下的语句感知能力。新编中文普通话版嘈杂语噪声下语句识别表在视。听、视+听三种模式下均等价,可用于人工耳蜗植入疗效的评估。