Skip to main content
main-content

20.09.2018 | Ausgabe 3/2019

Journal of Digital Imaging 3/2019

Restoration of Full Data from Sparse Data in Low-Dose Chest Digital Tomosynthesis Using Deep Convolutional Neural Networks

Zeitschrift:
Journal of Digital Imaging > Ausgabe 3/2019
Autoren:
Donghoon Lee, Hee-Joung Kim

Abstract

Chest digital tomosynthesis (CDT) provides more limited image information required for diagnosis when compared to computed tomography. Moreover, the radiation dose received by patients is higher in CDT than in chest radiography. Thus, CDT has not been actively used in clinical practice. To increase the usefulness of CDT, the radiation dose should reduce to the level used in chest radiography. Given the trade-off between image quality and radiation dose in medical imaging, a strategy to generating high-quality images from limited data is need. We investigated a novel approach for acquiring low-dose CDT images based on learning-based algorithms, such as deep convolutional neural networks. We used both simulation and experimental imaging data and focused on restoring reconstructed images from sparse to full sampling data. We developed a deep learning model based on end-to-end image translation using U-net. We used 11 and 81 CDT reconstructed input and output images, respectively, to develop the model. To measure the radiation dose of the proposed method, we investigated effective doses using Monte Carlo simulations. The proposed deep learning model effectively restored images with degraded quality due to lack of sampling data. Quantitative evaluation using structure similarity index measure (SSIM) confirmed that SSIM was increased by approximately 20% when using the proposed method. The effective dose required when using sparse sampling data was approximately 0.11 mSv, similar to that used in chest radiography (0.1 mSv) based on a report by the Radiation Society of North America. We investigated a new approach for reconstructing tomosynthesis images using sparse projection data. The model-based iterative reconstruction method has previously been used for conventional sparse sampling reconstruction. However, model-based computing requires high computational power, which limits fast three-dimensional image reconstruction and thus clinical applicability. We expect that the proposed learning-based reconstruction strategy will generate images with excellent quality quickly and thus have the potential for clinical use.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Weitere Produktempfehlungen anzeigen
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 3/2019

Journal of Digital Imaging 3/2019 Zur Ausgabe
  1. Sie können e.Med Radiologie 14 Tage kostenlos testen (keine Print-Zeitschrift enthalten). Der Test läuft automatisch und formlos aus. Es kann nur einmal getestet werden.

Neu im Fachgebiet Radiologie

Meistgelesene Bücher aus der Radiologie

2016 | Buch

Medizinische Fremdkörper in der Bildgebung

Thorax, Abdomen, Gefäße und Kinder

Dieses einzigartige Buch enthält ca. 1.600 hochwertige radiologische Abbildungen und Fotos iatrogen eingebrachter Fremdmaterialien im Röntgenbild und CT.

Herausgeber:
Dr. med. Daniela Kildal

2011 | Buch

Atlas Klinische Neuroradiologie des Gehirns

Radiologie lebt von Bildern! Der vorliegende Atlas trägt dieser Tatsache Rechnung. Sie finden zu jedem Krankheitsbild des Gehirns Referenzbilder zum Abgleichen mit eigenen Befunden.

Autoren:
Priv.-Doz. Dr. med. Jennifer Linn, Prof. Dr. med. Martin Wiesmann, Prof. Dr. med. Hartmut Brückmann

Mail Icon II Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Radiologie und bleiben Sie gut informiert – ganz bequem per eMail.

Bildnachweise