可学习的PM扩散系数和改进的协调注意力网络,用于低剂量CT无声化.
Haowen Zhang1, Pengcheng Zhang1, Weiting Cheng1
1State Key Laboratory of Dynamic Testing Technology, North University of China, Taiyuan 030051, People's Republic of China.
Physics in medicine and biology
|August 3, 2023
概括
这项研究介绍了PMA-Net,这是一种新的深度学习方法,用于低剂量CT无声化. 它有效地平衡了降噪与医疗图像中关键边缘和解剖结构的保存.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 深度学习方法越来越多地用于低剂量CT (LDCT) 消除噪音.
- 积极的剥离可能会破坏CT图像中的关键边缘和解剖细节.
- 在LDCT无声化中,平衡压制噪声与结构保护仍然是一个关键的挑战.
研究的目的:
- 开发一个先进的最不发达国家最不发达地区 (LDCT) 消毒网络,有效保护图像结构.
- 为应对医疗成像中平衡降噪和边缘保护的挑战.
主要方法:
- 提出了可学习的PM扩散系数和高效注意力网络 (PMA-Net),这是一个基于编码器-解码器的深度学习模型.
- 集成了一个新的边缘模块,灵感来自佩罗纳-马利克 (PM) 扩散模型和部分微分方程,以获得精确的边缘信息.
- 采用了多尺度的重构坐标注意模块,并扩展了卷积,以增强特征提取.
- 采用边缘增强的多尺度感知损失,以防止结构损失和过度光滑.
主要成果:
- 拟议的PMA-Net在模拟和现实世界LDCT数据集中都表现出卓越的性能.
- 定量和定性分析证实了增强的噪音/工件抑制.
- 观察到在保存细边缘和解剖结构方面有显著的改善.
结论:
- PMA-Net通过将部分微分方程集成到神经网络中,用于边缘特征提取,为LDCT无证化提供了一种新的方法.
- 该方法在降噪和结构完整性之间实现了卓越的平衡.
- 这项工作增强了医学成像中的深度学习的解释性和临床适用性.


