Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloAddressing signal alterations induced in CT images by deep learning processing: A preliminary phantom study
Anno di pubblicazione2021
Formato
  • Elettronico
  • Cartaceo
Autore/iDoria S.; Valeri F.; Lasagni L.; Sanguineti V.; Ragonesi R.; Akbar M.U.; Gnerucci A.; Del Bue A.; Marconi A.; Risaliti G.; Grigioni M.; Miele V.; Sona D.; Cisbani E.; Gori C.; Taddeucci A.
Affiliazioni autoriIstituto di Chimica dei Composti OrganoMetallici, Consiglio Nazionale delle Ricerche, Florence, Italy; European Laboratory For Non Linear Spectroscopy, Università degli Studi di Firenze, Florence, Italy; Dipartimento di Fisica e Astronomia, Università degli Studi di Firenze, Florence, Italy; Scuola di Scienze della Salute Umana, Università degli Studi di Firenze, Florence, Italy; Pattern Analysis & Computer Vision, Istituto Italiano di Tecnologia, Genoa, Italy; Dipartimento di Ingegneria Navale, Elettrica, Elettronica e delle Telecomunicazioni, Università degli Studi di Genova, Genoa, Italy; Visual Geometry and Modelling, Istituto Italiano di Tecnologia, Genoa, Italy; Istituto Superiore di Sanità, Centro Nazionale Tecnologie Innovative in Sanità Pubblica, Rome, Italy; Radiodiagnostica di Emergenza-Urgenza, Azienda Ospedaliero-Universitaria Careggi, Florence, Italy; Fondazione Bruno Kessler, Trento, Italy; Istituto Nazionale di Fisica Nucleare - Sezione di Firenze, Sesto Fiorentino, Florence, Italy; Unità Operativa di Fisica Sanitaria, Azienda Ospedaliero-Universitaria Careggi, Florence, Italy
Autori CNR e affiliazioni
  • SANDRA DORIA
Lingua/e
  • inglese
AbstractPurpose: We investigate, by an extensive quality evaluation approach, performances and potential side effects introduced in Computed Tomography (CT) images by Deep Learning (DL) processing. Method: We selected two relevant processing steps, denoise and segmentation, implemented by two Convolutional Neural Networks (CNNs) models based on autoencoder architecture (encoder-decoder and UNet) and trained for the two tasks. In order to limit the number of uncontrolled variables, we designed a phantom containing cylindrical inserts of different sizes, filled with iodinated contrast media. A large CT image dataset was collected at different acquisition settings and two reconstruction algorithms. We characterized the CNNs behavior using metrics from the signal detection theory, radiological and conventional image quality parameters, and finally unconventional radiomic features analysis. Results: The UNet, due to the deeper architecture complexity, outperformed the shallower encoder-decoder in terms of conventional quality parameters and preserved spatial resolution. We also studied how the CNNs modify the noise texture by using radiomic analysis, identifying sensitive and insensitive features to the denoise processing. Conclusions: The proposed evaluation approach proved effective to accurately analyze and quantify the differences in CNNs behavior, in particular with regard to the alterations introduced in the processed images. Our results suggest that even a deeper and more complex network, which achieves good performances, is not necessarily a better network because it can modify texture features in an unwanted way.
Lingua abstractinglese
Altro abstract-
Lingua altro abstract-
Pagine da88
Pagine a100
Pagine totali-
RivistaPhysica medica (Online)
Attiva dal 2002
Editore: Istituti Editoriali e Poligrafici Internazionali. - Pisa
Paese di pubblicazione: Italia
Lingua: inglese
ISSN: 1724-191X
Titolo chiave: Physica medica (Online)
Titolo proprio: Physica medica. (Online)
Titolo abbreviato: Phys. medica (Online)
Numero volume della rivista83
Fascicolo della rivista-
DOI10.1016/j.ejmp.2021.02.022
Verificato da refereeSì: Internazionale
Stato della pubblicazionePublished version
Indicizzazione (in banche dati controllate)
  • Scopus (Codice:2-s2.0-85102563904)
Parole chiaveArtificial intelligence; Computed tomography; Convolutional neural network; Image quality; Radiomic features
Link (URL, URI)https://www.sciencedirect.com/science/article/pii/S1120179721001113
Titolo parallelo-
Licenza-
Scadenza embargo-
Data di accettazione-
Note/Altre informazioni-
Strutture CNR
  • ICCOM — Istituto di chimica dei composti organo metallici
Moduli/Attività/Sottoprogetti CNR-
Progetti Europei-
Allegati
Addressing signal alterations induced in CT images by deep learning processing: A preliminary phantom study (documento privato )
Descrizione: Published version
Tipo documento: application/pdf