全球和本地特征提取基于卷积神经网络残留学习,用于MR图像无声化
Meng Li1,2, Juntong Yun3,4, Dingxi Liu1,2
1Key Laboratory of Metallurgical Equipment and Control Technology of Ministry of Education, Wuhan University of Science and Technology, Wuhan 430081, People's Republic of China.
Physics in medicine and biology
|September 23, 2024
概括
这项研究介绍了3D-PSNet,这是一种用于消除3D磁共振 (MR) 图像的新型卷积神经网络. 该网络有效地保留了全球结构和本地细节,提高了诊断准确度.
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:
- 磁共振 (MR) 图像显示了全球和本地不同噪声分布.
- 现有的卷积神经网络在MR图像中难以同时保留全球结构和局部细节.
研究的目的:
- 开发一种先进的卷积神经网络,用于消除3DMRI图像的模糊性.
- 为了提高在无色化MR图像中的全球结构和局部细节的保存.
主要方法:
- 提出了一个并行和串行网络 (3D-PSNet) 用于3DMR图像的无声化.
- 利用剩余的深度可分离卷积用于局部特征学习和参数效率.
- 采用剩余扩展卷积用于全球特征提取和扩展受体场.
- 集成增强的剩余卷积块,具有密集的连接,用于功能改进.
主要成果:
- 3D-PSNet实现了高性能指标:47.79%的峰值信号对噪声比率,99.81%的结构相似度指数测量和0.40%的根平均平方误差.
- 在三个公开数据集中展示了竞争性反效应.
- 废弃实验验证了所有拟议的模块的有效性.
结论:
- 3D-PSNet通过利用多尺度受体场和剩余密集连接,有效地恢复了MR图像中的全局结构和局部细特征.
- 预计拟议的方法将有助于医生快速准确地诊断患者.
