ATN-Res2Unet:一个先进的深度学习网络,用于消除内镜光学连贯断层扫描中的和器件
Optics express
|June 11, 2024
概括
本研究介绍了ATN-Res2Unet,这是一种深度学习网络,可以有效地减少内镜光学连贯断层扫描 (OCT) 图像中的和器件. 这项创新提高了图像质量和结构保存,为潜在的临床用途.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 内镜光学连贯性断层扫描 (OCT) 能够对内部光线进行非侵入性成像.
- OCT成像易受高度反射结构引起的和工件的影响,阻碍诊断的准确性.
研究的目的:
- 开发和验证一个深度学习网络,ATN-Res2Unet,用于缓解内镜OCT图像中的和工件.
- 提出一种新的方法,用于生成内镜OCT人工物减少的训练数据对.
主要方法:
- 开发ATN-Res2Unet深度学习架构,结合多尺度感知,多注意力机制和频率域过器.
- 创建数据增强策略,以生成基础真相数据用于训练网络.
- 在体内实验验证拟议方法的内镜CTT数据.
主要成果:
- ATN-Res2Unet有效地减少了OCT内镜图像中的各种文物,同时保留了关键的结构信息.
- 量化分析显示了显著的改善,与以前的方法相比,平均指标增加了45.4-83.8%.
- 拟议的方法在工件缓解方面表现出卓越的性能.
结论:
- 这项研究展示了深度学习的首次应用,用于从内镜OCT图像中消除文物.
- 通过提高图像质量,ATN-Res2Unet显示了改善内镜OCT临床适用性的巨大潜力.


