Due to a physical constraint, dual-energy computed tomography (DECT) performed on a dual-source CT scanner has a restricted field of view (FOV) in one imaging chain (i.e. tube B, 140 kV with tin filter). This indicates that dual-energy analysis cannot be performed outside the limited FOV. As a result, the dual-source DECT scanner may not be beneficial for larger patients. To address this issue, we study the feasibility of using an unsupervised deep learning (DL) based method to outpaint the missing image outside the limited FOV. Brain DECT images acquired on the dual-source DECT scanner were used to simulate a restricted FOV scan. First, the whole brain of DECT images was shifted to the corner of the image. Then, the restricted 140-kV CT image was generated by multiplying the shifted 140-kV CT image with a small circular mask. As a result, we can evaluate the proposed DL-based method without scanning the patient twice. Moreover, the non-truncated 140-kV CT images can be considered as ground truth for comparison. Our results show that the proposed DL-based method can reconstruct missing data and produce 140-kV CT images that appear similar to the true 140-kV CT images. Moreover, the mean CT number differences between the true and DL-based 140-kV CT images for brain, muscle, fat and bone were less than 3 HU. We also observed that virtual monoenergetic images obtained from true and DL-based DECT images were visually similar. Our preliminary study shows the feasibility of using an unsupervised DL-based method to yield the out-of-field imaging data in dual-source DECT.

由于物理限制，在双源 CT 扫描仪上执行的双能量计算机断层扫描 (DECT) 在一个成像链中具有受限的视野 (FOV)（即管 B，140 kV，带锡过滤器）。这表明在有限的 FOV 之外无法进行双能量分析。因此，双源 DECT 扫描仪可能对较大的患者不利。为了解决这个问题，我们研究了使用基于无监督深度学习 (DL) 的方法在有限 FOV 之外绘制缺失图像的可行性。在双源 DECT 扫描仪上获取的脑 DECT 图像用于模拟受限 FOV 扫描。首先，DECT 图像的整个大脑被转移到图像的角落。然后，通过将移位的 140 kV CT 图像与小圆形掩模相乘，生成受限的 140 kV CT 图像。因此，我们可以在不扫描患者两次的情况下评估所提出的基于 DL 的方法。此外，未截断的 140 kV CT 图像可以被视为用于比较的真实情况。我们的结果表明，所提出的基于 DL 的方法可以重建丢失的数据并生成与真实 140 kV CT 图像相似的 140 kV CT 图像。此外，大脑、肌肉、脂肪和骨骼的真实和基于 DL 的 140 kV CT 图像之间的平均 CT 数差异小于 3 HU。我们还观察到从真实和基于 DL 的 DECT 图像获得的虚拟单能图像在视觉上相似。我们的初步研究表明，在双源 DECT 中使用基于无监督 DL 的方法产生场外成像数据的可行性。未截断的 140 kV CT 图像可以被视为用于比较的真实情况。我们的结果表明，所提出的基于 DL 的方法可以重建丢失的数据并生成与真实 140 kV CT 图像相似的 140 kV CT 图像。此外，大脑、肌肉、脂肪和骨骼的真实和基于 DL 的 140 kV CT 图像之间的平均 CT 数差异小于 3 HU。我们还观察到从真实和基于 DL 的 DECT 图像获得的虚拟单能图像在视觉上相似。我们的初步研究表明，在双源 DECT 中使用基于无监督 DL 的方法产生场外成像数据的可行性。未截断的 140 kV CT 图像可以被视为用于比较的真实情况。我们的结果表明，所提出的基于 DL 的方法可以重建丢失的数据并生成与真实 140 kV CT 图像相似的 140 kV CT 图像。此外，大脑、肌肉、脂肪和骨骼的真实和基于 DL 的 140 kV CT 图像之间的平均 CT 数差异小于 3 HU。我们还观察到从真实和基于 DL 的 DECT 图像获得的虚拟单能图像在视觉上相似。我们的初步研究表明，在双源 DECT 中使用基于无监督 DL 的方法产生场外成像数据的可行性。此外，大脑、肌肉、脂肪和骨骼的真实和基于 DL 的 140 kV CT 图像之间的平均 CT 数差异小于 3 HU。我们还观察到，从真实和基于 DL 的 DECT 图像获得的虚拟单能图像在视觉上相似。我们的初步研究表明，在双源 DECT 中使用基于无监督 DL 的方法产生场外成像数据的可行性。此外，大脑、肌肉、脂肪和骨骼的真实和基于 DL 的 140 kV CT 图像之间的平均 CT 数差异小于 3 HU。我们还观察到从真实和基于 DL 的 DECT 图像获得的虚拟单能图像在视觉上相似。我们的初步研究表明，在双源 DECT 中使用基于无监督 DL 的方法产生场外成像数据的可行性。