Radiation Dose Reduction in Computed Tomography Perfusion of Acute Ischemic Stroke Patients Using a Denoising Autoencoder
Notice bibliographique
Résumé
Background Ischemic stroke results from the occlusion of a cerebral artery and is a leading cause of mortality and disability worldwide. Multimodal computed tomography (CT), including CT perfusion (CTP) and CT angiography, is crucial to acute stroke evaluation but involves higher radiation exposure than non-contrast CT due to repeated volumetric imaging. Reducing CTP radiation dose without losing image quality remains important challenge. This study proposes a machine-learning-based denoising autoencoder (DAE) to reduce noise introduced by dose reduction while preserving the quality of CTP images and perfusion parameter maps. Method CTP images from 48 acute ischemic stroke patients from the PRove-IT trial were used. Low-dose conditions were simulated by adding Gaussian and Poisson noise at varying strengths, with Poisson noise applied in the sinogram domain and Gaussian noise in the image domain. The DAE was trained using paired noisy and original images. Performance was evaluated by assessing structural similarity of CTP source images and perfusion maps, as well as clinical accuracy based on infarct core volumes derived from cerebral blood flow maps. Results The DAE restored strong structural similarity in CTP source images at dose reductions up to 90% (SSIM 0.81, PSNR 43 dB). Perfusion maps showed slightly lower similarity. Clinically, denoising substantially improved the accuracy of CBF-derived infarct core volumes, reducing mean absolute error from 10-30 mL in noisy images to approximately 4–16 mL and restoring high agreement with reference volumes (R 2 > 0.85). Conclusions These findings demonstrate that substantial simulated radiation dose reductions can be compensated by the DAE while preserving clinically meaningful perfusion-derived biomarkers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».