一个密集的U形变压器,具有双域多损失功能,用于稀疏视图CT重建

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 稀疏视图CT (SVCT) 对于降低辐射剂量至关重要,但在传统方法中存在缺陷.
• 在SVCT图像中的人工物降低了图像质量,并阻碍了准确的诊断.
• 开发先进的方法来抑制这些文物对于临床应用是必不可少的.

研究的目的:

• 开发一种基于深度学习的方法,用于抑制稀疏视图CT图像重建中的文物.
• 为了提高CT图像的质量,从稀疏视图投影重建.

主要方法:

• 提出了一个密集的U形变压器 (D-U-Transformer) 架构,结合了DenseNet和变压器.
• 在本地环境中利用密集连接的卷积,在远程依赖中利用变压器.
• 集成的道注意力和双域多损失功能用于优化.

主要成果:

• 与梅奥诊所LDCT数据集中的其他DL模型相比,D-U-Transformer在文物抑制和特征保存方面表现出卓越的性能.
• 废弃研究证实了D-U-变压器模型中的单个组件的有效性.
• 实现了高精度的SVCT重建.

结论:

• 拟议的D-U-转换器有效地抑制了CT成像中的稀疏工件.
• 这种方法促进了临床CT扫描中低剂量辐射和高质量的成像.
• 这些发现适用于CT和其他医学成像模式中的denoising和artefact移除.