前LIT:连接内平面和透平面变压器,同时进行CT图像去除和解

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 目前用于3D低剂量CT成像的深度学习方法通常单独解决无声化和模糊化,通常在2D图像上.
• 同时在平面内消除噪声和通过平面消除模糊对于高质量的3DCT具有减少辐射和更快的采集速度至关重要.
• 对于这项任务,端到端的3D网络需要大量的数据和计算需求.

研究的目的:

• 提出一种新的深度学习框架,LIT-Former,用于高效且同时在3D低剂量CT成像中进行平面内无声化和透平面模糊化.
• 协同利用卷积和变压器网络的优势,改善3DCT图像的重建.
• 与现有的3D网络方法相比,以减少计算复杂性和加速融合.

主要方法:

• 开发了LIT-Former,这是一个连接内平面和透平面变压器的网络.
• 引入了高效的多头自我注意模块 (eMSM),集成2D和1D自我注意,以捕捉全球互动.
• 集成的高效卷积前网络 (eCFN) 结合2D和1D卷积用于局部特征提取.

主要成果:

• LIT-Former有效地协同在平面内揭示和通过平面的模糊清除任务.
• 与传统的3D网络相比,拟议的模型显著降低了计算复杂性.
• 对模拟和临床数据集的实验显示,与最先进的方法相比,性能优越.

结论:

• 在3D低剂量CT中,LIT-Former提供了一种有效的解决方案,用于同时在平面内进行无色化和通过平面消除模糊.
• 这种新的架构使得高质量的3D CT重建能够在减少计算负担的情况下实现.
• 这种方法显示了推进低剂量CT成像应用的巨大潜力.