1. Αρχική σελίδα
  2. Αναζήτηση

How Deep Learning Image Reconstruction (DLIR) affects the optimization of image quality and dose reduction on Computed Tomography

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)   

Αποθετήριο :
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



How Deep Learning Image Reconstruction (DLIR) affects the optimization of image quality and dose reduction on Computed Tomography
Δήμος, Κωνσταντίνος
Σχολή Μηχανικών
Τμήμα Μηχανικών Βιοϊατρικής
Kostopoulos, Spiros
Glotsos, Dimitris
Biomedical Engineering & Technology
Λιαπαρίνος, Παναγιώτης
Μεταπτυχιακή διπλωματική εργασία
2024-02-29
2024-03-19T09:00:08Z
The aim of this study is to investigate the influence of deep learning-based reconstruction (DLIR) on image quality across varying dose levels within a Chest- Abdomen-Pelvis (CAP) protocol using a 512-slice CT scanner and an advanced anthropomorphic phantom. Comparative analysis between DLIR, Adaptive Statistical Iterative Reconstruction (ASIR-V), and conventional Filtered BackProjection (FBP) reconstructions was conducted at normal, low, and ultra-low dose levels. The CT scanner employed in this experiment is the Revolution APEX by GE HealthCare (Waukesha, WI, USA). The experiment involves the use of a dedicated CT whole-body phantom, the PBU-60 by Kyoto Kagaku. A quantitative analysis was conducted, comparing the FBP Normal Dose (ND) and various reconstruction algorithms across three distinct dose levels (normal, low and ultra-low dose) and chest/abdomen/pelvis regions. Furthermore, an additional quantitative assessment was included, using ASIR-V60% as a reference due to its widespread utilization, between ASIR-V90% and DLIR-H. Also, a qualitative analysis performed to evaluate the general image quality and overall contrast of ASIR-V60%, ASIR-V90% and DLIR-H. The evaluation was carried out in terms of Signal-to-Noise Ratio (SNR) and Contrastto- Noise Ratio (CNR). The results highlight the feasibility of a low-dose protocol and suggest the potential introduction of an experimental ultra-low-dose protocol for CAP. The proposed implementation relies on the use of a deep-learning-based image reconstruction algorithm, which aims to maintain image quality and contrast levels comparable to those typically observed with conventional reconstruction algorithms used in regular and low-dose protocols.
Anthropomorphic phantom
Deep learning image reconstruction
Iimage quality
Ultra-low dose
Αγγλική γλώσσα
Πανεπιστήμιο Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ - Τμήμα Μηχανικών Βιοϊατρικής - Μεταπτυχιακές διπλωματικές εργασίες - Biomedical Engineering & Technology
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ
Τμήμα Μηχανικών Βιοϊατρικής
Μεταπτυχιακές διπλωματικές εργασίες - Biomedical Engineering & Technology



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.