Selbstüberwachtes Rauschreduzieren in Tomographie‑Rohdaten verbessert Bildqualität
Ultrafast‑Elektronenstrahl‑Röntgen‑CT erzeugt aufgrund der extrem kurzen Messzeiten stark verrauschte Rohdaten, was zu Rekonstruktionsartefakten und einer insgesamt eingeschränkten Bildqualität führt.
In einer neuen Studie wurden zwei selbstüberwachte Deep‑Learning‑Methoden zur Rauschunterdrückung der Rohdetektordaten entwickelt und gegen eine klassische, nicht lernbasierte Denoising‑Technik getestet.
Die Ergebnisse zeigen, dass die Deep‑Learning‑Ansätze das Signal‑zu‑Rausch‑Verhältnis der Rohdaten deutlich steigern und die rekonstruierten Bilder konsequent verbessern – und das deutlich besser als die herkömmliche Methode.
Diese Fortschritte unterstreichen das enorme Potenzial selbstüberwachter KI‑Modelle, die Bildrekonstruktion in ultrafast‑CT-Systemen zu optimieren und damit die diagnostische Qualität nachhaltig zu erhöhen.