关于平滑限制对计算机断层摄影运动补偿的影响
内容提要
本文探讨了利用概率密度评估模型和深度学习技术优化CT图像中的运动伪影，提出了基于梯度的优化算法、隐式神经表示和深度合成技术等新方法，以提高运动估计的准确性和效率，改善影像质量，解决运动相关挑战。
延伸解读
运动伪影评估的新视角
文章提出通过训练概率密度评估模型，将CT图像中的似然性作为运动伪影严重程度的替代指标。这种方法不同于传统依赖图像质量主观评分或特定伪影特征的方式，而是从概率分布角度量化运动影响。通过最大化似然性优化运动参数，有望使图像更接近无运动扫描的分布，为运动补偿提供可微分的优化目标。
深度学习与模型驱动方法的融合
文章介绍了多种结合深度学习和模型驱动的方法，如基于深度神经网络的脑部平面刚体运动量化与校正、JSMoCo从稀疏k空间数据估计运动参数和线圈敏感度图，以及基于隐式神经表示连续建模解剖运动。这些方法旨在利用数据驱动和物理模型的各自优势，提高运动估计的准确性和鲁棒性，同时处理不同成像模态中的运动挑战。
临床工作流中的效率与集成
针对Cone-beam CT运动估计，文章提出基于梯度的优化算法，利用几何结构的广义导数形成完全可微分的目标函数，极大加快了运动估计并提高了准确性，且集成了CBCT临床工作流。此外，基于整数规划的CT轨迹优化方法能够确定最优投影集合，提高轨迹优化度。这些进展关注时效性场景中的关键挑战，旨在提升临床应用的可行性和效率。
Q&A
如何利用概率密度评估模型减少CT图像中的运动伪影？
通过训练概率密度评估模型，可以将CT图像中的似然性作为运动伪影严重程度的替代指标，从而优化运动参数，减少运动伪影。
基于梯度的优化算法在运动估计中有什么优势？
基于梯度的优化算法能够加快运动估计的速度，提高准确性，并在临床工作流中有效集成Cone-beam CT。
深度学习如何改善CT图像的运动补偿？
深度学习的切片预测方案和数据增强技术可以提取运动自由的扫描投影部分，重建干净的短扫描成像。
JSMoCo方法的主要功能是什么？
JSMoCo方法能够从稀疏采样的k空间数据中准确估计运动参数和线圈敏感度图，有效缓解运动相关挑战。
如何通过隐式神经表示进行患者解剖运动建模？
隐式神经表示可以连续建模患者解剖运动，有效促进连续帧插值，桥接欧拉和拉格朗日规范。
CT轨迹优化方法的作用是什么？
基于整数规划的CT轨迹优化方法能够确定最优的投影集合，提高CT轨迹的优化度。
