-
低剂量CT的“深度学习重建”算法，残差U-Net的噪声抑制、微小结节（3mm）检测灵敏度提升
在医学影像技术飞速发展的当下，低剂量CT(LDCT)因其能有效降低患者辐射暴露风险，成为临床诊断中备受关注的成像方式。然而，降低辐射剂量不可避免地会引入噪声和伪影，影响图像质量，进而对微小结节(尤其是3mm及以下)的检测灵敏度造成挑战。深度学习重建算法的出现，为解决这些问题提供了新的思路，其中残差U-Net在噪声抑制和微小结节检测灵敏度提升方面展现出显著优势。
在医学影像技术飞速发展的当下，低剂量CT(LDCT)因其能有效降低患者辐射暴露风险，成为临床诊断中备受关注的成像方式。然而，降低辐射剂量不可避免地会引入噪声和伪影，影响图像质量，进而对微小结节(尤其是3mm及以下)的检测灵敏度造成挑战。深度学习重建算法的出现，为解决这些问题提供了新的思路，其中残差U-Net在噪声抑制和微小结节检测灵敏度提升方面展现出显著优势。
