平行处理模型用于低剂量计算机断层扫描图像消噪
Libing Yao1,2, Jiping Wang1,2, Zhongyi Wu3
1School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, 230026, China.
Visual computing for industry, biomedicine, and art
|June 12, 2024
概括
这项研究介绍了一种新的深度学习网络,即多编码器深度特征转换网络 (MDFTN),用于拒绝低剂量计算机断层扫描 (LDCT) 图像. MDFTN有效地处理多源数据,通过减少噪音和保存图像结构来提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 低剂量计算机断层扫描 (LDCT) 减少了患者的辐射暴露,但产生了杂的图像,阻碍了准确的诊断.
- 目前的深度学习 (DL) 解密方法与来自不同成像来源的可变数据作斗争.
- 存在对强大的DL模型的需求,这些模型可以在多样化的LDCT数据中进行概括.
研究的目的:
- 开发一种新的深度学习模型,以便从多个来源有效地删除LDCT图像.
- 解决现有的DL无声化技术在处理异构的LDCT数据方面的局限性.
- 通过改进降噪和结构保护,提高LDCT图像的诊断质量.
主要方法:
- 提出了多编码器深度特征转换网络 (MDFTN),一种并行处理模型.
- MDFTN使用多个编码器进行并行特征提取,并使用深度特征转换模块 (DFTM) 将特征压缩到共享空间中.
- 编码器和解码器的协作培训使得多源LDCT数据的同时处理成为可能.
主要成果:
- 在一个统一的框架内,MDFTN成功地处理了多源LDCT数据.
- 在LDCT图像中证明了显著的噪声抑制和微型结构的保存.
- 在公共和本地数据集上的实验验验证了模型的适应性和概括能力.
结论:
- MDFTN提供了一种有效的解决方案,用于从各种来源拒绝LDCT图像.
- 平行处理和特征转换方法提高了模型性能和通用性.
- 这种方法有可能提高临床LDCT应用中的诊断准确性.
