Mammographien werden Häufig verwendet, um Bildschirm für Brustkrebs. Trotz des einfachen Zugangs, der konventionellen Mammographie nicht finden kann jeder tumor durch die begrenzte Bild-Kontrast-Mechanismus.
Die Messung der Röntgen-Strahl Brechung im Brustgewebe hat das Potenzial, die nächste generation screening-Verfahren für Brustkrebs. Eine neue Technik namens X-ray phase contrast imaging (XPCI) bietet eine bessere weiche Gewebe Differenzierung und tumor-Erkennungen.
Allerdings ist die Verwendung von X-ray interferometry aus gold und Silizium-Gitter verringert die X-ray Dosis Effizienz, d.h., die Hemmung der patient die Dosis der Strahlung.
Kürzlich haben Forscher vom Shenzhen Institute of Advanced Technology (SIAT) an der chinesischen Akademie der Wissenschaften entwickelten eine neue XPCI-signal-Extraktions-Technik unter Verwendung eines deep learning “ – Methode. Die Technik hat gezeigt, viel versprechende Vorteile in der Verbesserung der signal-Genauigkeit und Verbesserung der X-ray-radiation-Dosis-Effizienz.
Die Studie wurde veröffentlicht in IEEE Transactions on Biomedical Engineering vom 22.
Der Forscher entwickelt ein deep convolutional neural network namens XP-NET, mit einer besonderen Architektur, um automatisch die XPCI-signal retrieval-und Bild-Qualität-Erweiterung in einer Sequenz.
Die Ergebnisse zeigten, dass die XP-NETZ war in der Lage, Verbesserung der phase-signal-Genauigkeit von über 15% im Vergleich mit den herkömmlichen analytischen Methode.
Zusätzlich sind in biologischen Probe und Brust-phantom-Studien zeigten, dass die phase der Bilder, die mit der Hälfte der Dosis der Strahlung und der Bearbeitung durch die XP-NET zeigte Bildqualität vergleichbar mit der Referenz-Bilder, die mit der standard-Strahlendosis Ebene.