Comparison of different training datasets for AI superresolution in micro-CT imaging by means of Image Quality Assessment

Abstract

Die Reduktion der Strahlenexposition bei gleichzeitiger Erhaltung der Bildqualität stellt eine zentrale Herausforderung in der Computertomographie (CT) dar. Eine vielversprechende Lösung bietet der Einsatz von Künstlicher Intelligenz (KI)-basierter Superresolution (SR), um niedrig aufgelöste CT-Scans zu verbessern. Diese Arbeit untersucht, wie sich die Wahl des Trainingsdatensatzes auf die durch Image Quality Assessment (IQA) bewertete Leistung eines 3D-SR-Modells im Bereich der µCTBildgebung auswirkt. Drei Arten von Trainingsdatensätzen wurden evaluiert: (1) menschliche Knochen, (2) synthetische Lattice Strukturen und (3) eine Kombination aus beiden. Zusätzlich wurde der Einfluss der Anzahl an CT-Projektionen bei der Simulation (1440 vs. 360) untersucht. Für jeden Datensatz wurden SR-Modelle mithilfe einer modifizierten 3D-U-NetArchitektur trainiert und anhand von sieben Full-Reference-IQA-Metriken bewertet: PSNR, RMSE, SSIM, MS-SSIM, FSIM, VIFp und VSI. Eine 5-fold Cross-Validation stellte die Generalisierbarkeit sicher und verhinderte Data Leakage. Die Ergebnisse zeigen, dass die Zusammensetzung des Datensatzes einen signifikanten Einfluss auf die Leistung des SR-Modells hat; gemischte Datensätze ermöglichen eine verbesserte Generalisierung über verschiedene Probentypen hinweg. Modelle, die mit Daten aus Simulationen mit weniger Projektionen trainiert wurden, zeigten keine signifikanten Unterschiede in der Bildqualität im Vergleich zu jenen mit mehr Projektionen, bieten jedoch das Potenzial zur Reduktion der Strahlendosis.

Datum der Bewilligung	2025
Originalsprache	Englisch
Gradverleihende Hochschule	FH Gesundheitsberufe OÖ GmbH
Betreuer/-in	Sascha Senck (Betreuer*in)