DMF-Net:一个深度的多层次语义融合网络,用于高分辨率的胸部CT和X射线图像降噪
Tapan Kumar Nayak1, Chandra Sekhara Rao Annavarappu1, Soumya Ranjan Nayak2
1Department of CSE, IIT(ISM) Dhanbad, Sardar Patel Nagar, Dhanbad, 826004, Jharkhand, India.
BMC medical imaging
|October 9, 2023
概括
一个新的深度多层次语义融合网络 (DMF-Net) 有效地消除了来自胸部CT和X射线图像的噪音. 这种方法通过提高图像质量而提高诊断准确度,而不需要过多的处理能力.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 图像处理和无噪声处理
背景情况:
- 胸部CT和X射线图像对于诊断肺部疾病至关重要,但通常会因复杂的噪音而退化.
- 图像噪声显著损害诊断性能,需要有效的无噪技术.
- 现有的深度学习模型因特征提取的局限性而难以进行噪声估计.
研究的目的:
- 提出一个新的深度多层次语义融合网络 (DMF-Net),以有效消除胸部CT和X射线图像中的噪音.
- 通过改进噪声估计来解决目前基于卷积神经网络 (CNN) 的无声化方法的局限性.
- 提高医疗图像的质量,以提高诊断准确度.
主要方法:
- 开发DMF-Net,其中包括一个扩展卷积特征提取块,一个级联特征学习块 (CFLB) 和一个噪声融合块 (NFB).
- CFLB集成了多个卷积层的特征,以捕获全面的图像细节.
- NFB利用这些级联特征进行准确的噪声预测,然后使用突出特征提取块 (PFEB) 进行清洁的图像生成.
主要成果:
- 与最先进的方法相比,DMF-Net在删除胸部CT和X射线图像方面表现出卓越的性能.
- 使用峰值信号与噪声比率 (PSNR) 和结构相似性测量 (SSIM) 的定量评估证实了DMF-Net.Net的有效性.
- 拟议的方法显著减少了对图像消噪所需的计算资源.
结论:
- DMF-Net为医疗成像中消除噪音提供了一个高度有效的解决方案,特别是在胸部CT和X射线中.
- 多层融合方法使得更准确的噪音预测和优异的图像重建成为可能.
- 这一进步具有很大的潜力,可以提高医学图像诊断的可靠性和效率.
