使用APU-Net提高扩散光学断层扫描成像质量:基于注意力的物理U-Net模型

科学领域:

• 医疗成像医学成像
• 生物医学光学 生物医学光学
• 人工智能在医学中的应用

背景情况:

• 传统的扩散光学断层扫描 (DOT) 重建由于源的接近,不良的光极合,组织异质性和大型病变的阴影效应等因素而遭受图像工件的损害.
• 这些文物损害了DOT图像质量,阻碍了精确的病变诊断,并影响了临床实用性.

研究的目的:

• 引入基于注意力的U-Net (APU-Net) 模型,以提高DOT图像重建质量.
• 为了应对特定的DOT重建挑战,包括工件引起的扭曲和损伤阴影效应.
• 通过增强的DOT成像来提高病变诊断的准确性.

主要方法:

• 开发了一个APU-Net模型,集成了一个上下文变压器注意模块用于DOT重建.
• 使用模拟和幻影数据训练APU-Net模型,特别针对文物减少和阴影效应缓解.
• 在临床患者数据上验证了模型的性能.

主要成果:

• 该APU-Net模型显示显著的文物减少,平均文物对比度下降了26.83%.
• 该模型改善了整体图像质量和增强了对比度深度配置文件,显示第二和第三目标层的平均增加分别为20.28%和45.31%.
• 临床数据评估证实了该模型在改善乳腺癌诊断方面的有效性.

结论:

• APU-Net模型通过最小化重建文物有效地提高了DOT图像质量.
• 通过APU-Net实现的改进的目标深度概况有助于更准确地描述病变.
• 这种由人工智能驱动的方法显示出在临床诊断中推进DOT应用的前景,特别是在乳腺癌检测方面.