Transformer tipo Unet con ventanas desplazadas variables para la eliminación de ruido en TC de dosis baja

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• La tomografía computarizada de dosis baja (TCBD) es esencial para minimizar la exposición a la radiación en la obtención de imágenes médicas.
• Las imágenes de TCBD a menudo sufren de ruido y artefactos, lo que puede reducir la precisión diagnóstica.
• Los modelos Transformer estándar muestran potencial para la eliminación de ruido de TCBD, pero son computacionalmente costosos para imágenes de alta resolución.

Objetivo del estudio:

• Desarrollar un modelo computacionalmente eficiente basado en Transformer para la restauración de imágenes de tomografía computarizada de dosis baja (TCBD).
• Abordar las limitaciones de los Transformers estándar en el manejo de imágenes médicas de alta resolución.

Principales métodos:

• Se propuso una nueva arquitectura Transformer pura integrada en un marco jerárquico de U-Net.
• Se desarrolló un mecanismo de atención de agente para aproximar la autoatención global con complejidad lineal.
• El modelo utiliza un diseño de ventana desplazada variable para capturar eficientemente los detalles locales y el contexto global.

Principales resultados:

• El método propuesto logró un rendimiento de última generación en un conjunto de datos público de TCBD.
• Las métricas cuantitativas y las comparaciones visuales cualitativas demostraron capacidades superiores de eliminación de ruido.
• El modelo redujo eficazmente el ruido y los artefactos al tiempo que preservó los detalles importantes de la imagen.

Conclusiones:

• La arquitectura Transformer desarrollada ofrece una solución eficiente para la eliminación de ruido de imágenes de TCBD.
• El mecanismo de atención del agente equilibra con éxito la eficiencia computacional y el rendimiento.
• Este enfoque tiene el potencial de mejorar la precisión diagnóstica en la obtención de imágenes de TC de dosis baja.