基于轻量级注意力机制的超声波图像无声自编码模型
Liuliu Shi1,2,3, Wentao Di1,3, Jinlong Liu4,5,6
1School of Energy and Power Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Quantitative imaging in medicine and surgery
|May 9, 2024
概括
这项研究引入了一种新的轻量级注意力否定-卷积神经网络 (LAD-CNN),用于医学超声图像否定. 通过有效地消除噪音,同时保持关键细节,LAD-CNN模型显著提高了图像质量和诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 医疗超声波图像中的噪音降低了质量,并阻碍了准确的诊断.
- 现有的卷积神经网络-消噪自编码器 (CNN-DAE) 模型可以过度平滑图像并失去纹理细节.
- 超声波图像中的斑点噪声对当前的除技术构成了挑战.
研究的目的:
- 开发一种先进的深度学习模型,用于增强超声波图像无声化.
- 通过优越的图像质量,提高疾病诊断的准确性.
- 为了解决现有无色化方法在保存图像细节方面的局限性.
主要方法:
- 提出了一个轻量级的注意力缩-卷积神经网络 (LAD-CNN).
- 在网络架构中内置轻量级通道注意力 (LCA) 和轻量级大内核注意力 (LLA) 块.
- 使用跳过连接来缓解训练期间的梯度消失.
主要成果:
- 在LAD-CNN模型中,在所有噪声级别中实现了最高的峰值信号噪声比 (PSNR) 和结构相似性 (SSIM) 值.
- 与低最佳模型相比,在手臂和胎儿超声图像的PSNR中显示了统计学上显著的改善.
- 在客观和主观评价中表现优于现有的传统和深度学习反算法.
结论:
- LAD-CNN模型在消除医疗超声波图像方面提供了卓越的性能.
- 拟议的模型有效地保留了图像细节,克服了以前方法的局限性.
- 在医疗超声波应用中,LAD-CNN显示了提高诊断准确性的巨大潜力.
