阿鲁-DGAN:一个基于注意力残留的双生成对抗网络U-Net用于磁声电图像无声化
Shuaiyu Bu1,2,3, Yuanyuan Li1,2, Wenting Ren4
1Institute of Electrical Engineering, Chinese Academy of Sciences, Beijing 100190, China.
Mathematical biosciences and engineering : MBE
|December 5, 2023
概括
磁声电磁断层扫描 (MAET) 的图像质量得到了新的双生成对抗网络 (ARU-DGAN) 的改进. 这种人工智能模型有效地消除噪音,同时保留关键的图像细节,以提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 磁声电磁扫描 (MAET) 结合了超声波和电阻成像,以获得高分辨率,高对比度的结果.
- 在MAET中,图像质量通常会因噪音而降低,从而限制其诊断潜力.
- 当前的无声化方法难以捕捉多个尺度的特征和共同的图像噪声分布.
研究的目的:
- 为MAET图像开发一种先进的无色化技术.
- 解决模拟局部/全球特征和多尺度上下文信息的局限性.
- 提高MAET成像的整体质量和诊断效用.
主要方法:
- 提出了一种双重生成对抗网络 (ARU-DGAN) 用于MAET形象毁.
- 使用注意剩余U-Net (ARU) 作为消毒器和发电机的支柱.
- 引入了基于交叉规范化的自我注意力 (CNorm-SA) 来增强特征提取.
主要成果:
- ARU-DGAN在现实世界MAET数据集上保存图像细节方面取得了显著的改进.
- 在峰值信号对噪声比率 (PSNR) 中实现了0.3dB的增加.
- 与最先进的方法相比,结构相似度指数 (SSIM) 的改善率为0.47%.
结论:
- 阿鲁-德甘有效地模拟了清洁和杂的MAET图像的联合分布.
- 拟议的CNorm-SA机制增强了多尺度特征提取和降噪.
- 阿鲁-DGAN为MAET图像消除提供了优质的解决方案,增强了诊断能力.
