混合U-Net和Swin变压器网络用于有限角度心脏计算机断层扫描
Yongshun Xu1, Shuo Han1, Dayang Wang1
1Department of Electrical and Computer Engineering, University of Massachusetts Lowell, Lowell, MA, 01854, United States of America.
Physics in medicine and biology
|April 11, 2024
概括
这项研究引入了一种新的混合深度学习模型 (U-Swin),用于从有限角度投影中重建高质量的心脏CT图像. 这种方法显著提高了图像质量,使得跳动的心脏能够更清晰地可视化.
科学领域:
- 医疗成像医学成像
- 心血管疾病的诊断 心血管疾病的诊断
- 医学成像中的深度学习
背景情况:
- 心脏计算机断层扫描 (CT) 对于诊断心血管疾病至关重要.
- 心脏CT中的图像质量受到时间分辨率,噪音和人工制造物的限制,特别是当使用有限角度投影来图像跳动的心脏时.
- 从有限角度投影中重建高质量的心脏CT图像仍然是一个重大挑战.
研究的目的:
- 开发一种方法,从有限角度投影中重建高质量的心脏CT图像.
- 为应对图像噪声和有限角度CT数据中固有的文物所带来的挑战.
- 通过提高图像质量来提高心脏CT的诊断性能.
主要方法:
- 提出了一种混合深度学习模型,称为U-Swin,集成U-Net和Swin转换器架构.
- U-Net 组件旨在恢复因投影数据和文物丢失而丢失的结构信息.
- 旋转变压器组件用于捕获详细的全球特征分布.
主要成果:
- 与最先进的深度学习方法相比,U-Swin模型表现出卓越的性能.
- 验证使用合成 (XCAT) 和临床 (COCA) 心脏数据集进行.
- 拟议的方法有效地从有限角度投影中重建高质量的心脏CT图像.
结论:
- U-Swin混合模型提供了一个有前途的解决方案,用于从有限角度数据中高质量的心脏CT图像重建.
- 这一进步有可能显著提高对心跳图像的时间分辨率.
- 开发的方法可以提高心脏CT对心血管疾病的诊断能力.
