对深度学习方法进行审查,以消除医学低剂量CT图像的模糊性
Ju Zhang1, Weiwei Gong2, Lieli Ye1
1College of Information Science and Technology, Hangzhou Normal University, Hangzhou, China.
Computers in biology and medicine
|February 22, 2024
概括
深度学习有效地消除低剂量CT (LDCT) 图像,提高质量,同时减少辐射暴露. 本综述调查了CNN,编码解码器,GAN和变压器方法,突出了它们的优势和医疗成像中的未来潜力.
科学领域:
- 医学成像和计算科学.
- 医疗保健中的人工智能.
- 放射性图像处理. 放射性图像处理.
背景情况:
- 低剂量CT (LDCT) 成像减少了辐射暴露,但降低了图像质量,引入噪音和文物.
- 在剂量减少期间保持高图像质量对于准确诊断至关重要.
- 深度学习为LDCT图像消毒提供了先进的解决方案.
研究的目的:
- 系统地审查基于深度学习的对最不发达国家图像的删除方法.
- 分析当前的趋势,挑战和该领域的未来方向.
- 提供全面的概述,包括基于变压器的方法.
主要方法:
- 从2016年至2023年,对LDCT否认方法的文献综述,重点关注2020年至2023年.
- 将无线网络分类为基于CNN,基于编码器-解码器,基于GAN和基于变压器的架构.
- 实验性比较和分析具有代表性的深度学习技术.
主要成果:
- 基于CNN的方法在细节捕捉和适应性方面表现出色.
- 有 MSE 损失的编码器-解码器网络显示出强大的客观性能.
- 基于GAN的方法产生接近正常剂量CT (NDCT) 的感知现实的图像.
- 基于变压器的方法显示了通过全球信息捕获来增强拒绝的潜力.
结论:
- 深度学习显著提升了LDCT形象的恶化.
- 不同的网络架构为图像质量和诊断准确性提供了明显的优势.
- 对基于变压器和混合动力模型的进一步研究有望为未来的改进提供希望.


