一个基于双分支结构和多尺度残留注意力的低剂量CT剥离的新型网络
Ju Zhang1, Lieli Ye1, Weiwei Gong2
1College of Information Science and Technology, Hangzhou Normal University, Hangzhou, 310030, China.
Journal of imaging informatics in medicine
|September 11, 2024
概括
一个新的深度学习网络通过提取多尺度特征来有效地消除低剂量计算机断层扫描 (CT) 图像. 这种方法显著提高了图像质量和纹理保存,以便更好地进行医学诊断.
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CT (LDCT) 成像对于减少医学诊断中的辐射暴露至关重要.
- 拒绝LDCT图像对于保存诊断信息而最大限度地减少噪音工件至关重要.
- 深度学习方法在提高LDCT图像质量方面表现有前途.
研究的目的:
- 提出一种新的深度学习网络,用于有效的低剂量CT图像消噪.
- 改进在多个尺度上的图像特征的提取和融合,以获得更好的纹理和结构恢复.
- 为了提高临床应用的denoising模型的稳定性和通用性.
主要方法:
- 一个双分支的,多个规模的基于注意力的残留网络 (LDMANet) 被开发出来.
- 引入了自适应动态卷积块 (ADCB),用于详细的局部特征提取.
- 多尺度边缘增强注意区块 (MEAB) 和多尺度残余卷积区块 (MRCB) 用于全球特征融合和网络泛化.
主要成果:
- 拟议的网络在AAPM-Mayo数据集上实现了高性能,有29.3004个PSNR,0.8659个SSIM和14.0284个RMSE.
- 在各种噪声级别的Qin_LUNG_CT数据集上获得了优异的无声化结果.
- 废弃性研究证实,ADCB,MEAB和MRCB模块显著改善了性能.
结论:
- 新的LDMANet架构有效地消除了低剂量的CT图像,保留了关键的图像细节.
- 拟议的ADCB,MEAB和MRCB模块对增强的消毒性能作出了重大贡献.
- 这种深度学习方法有可能提高低剂量CT成像中的临床诊断准确性.
