ISMDNet: Multi-Material Decomposition Using Deep Learning and Inverse Transform Sampling in Spectral Photon Counting CT
Notice bibliographique
Résumé
Spectral Photon-Counting Computed Tomography (SPCCT) is a novel imaging technique that uses photon-counting detectors to acquire images across multiple X-ray energy windows. This energy discrimination enables material decomposition (MD) using the X-ray attenuation properties of various materials. In this study, we develop a novel deep learning (DL) framework for MD in SPCCT and compare its performance with recently developed MD methods. Our approach includes three variants of an encoder-decoder network: ISMDNet (Inverse Sampling Material Decomposition Network) with dual-residual blocks, ISMDNet-AT, which incorporates a channel-wise attention mechanism, and ISMDNet-TR, which integrates multiple transformer layers. We developed a unique synthetic image generation method using inverse transform sampling to address the scarcity of spectral CT datasets and the labor-intensive nature of ground-truth annotation. Synthetic images were used to train deep learning (DL) models, which were subsequently validated and tested on real SPCCT images. We conducted two studies, one involving various known materials in a phantom and the other using a biological tissue phantom. The performance of all approaches was evaluated using the root mean square error (RMSE) and the structural similarity index measure (SSIM) for MD quality, along with precision and the F1 score to assess the effectiveness of material identification. We compared our DL models’ performance with the state-of-the-art MD methods, including direct inversion (DI), generalized dictionary learning-based image domain (GDLIMD), MARS-MD, U-Net, and InceptNet. Our MD techniques consistently outperform the other MD methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».