WiTUnet:一个U形架构,集成CNN和变压器,以改善功能对齐和本地信息融合

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) 减少了辐射暴露,但引入了图像噪声,可能会损害诊断准确性.
• 现有的深度学习解密方法,通常基于Unet架构,在有效集成编码器-解码器功能方面存在局限性.
• 传统的变压器模型面临着处理大型医疗图像的高计算需求.

研究的目的:

• 介绍WiTUnet,这是一种新的深度学习方法,用于低剂量计算机断层扫描 (LDCT) 图像消噪.
• 为了增强功能集成在Unet架构使用嵌套,密集的跳过路径.
• 为了减少用于医疗图像处理的变压器网络的计算负载.

主要方法:

• 开发了WiTUnet,结合了嵌套的,密集的跳过路径,以改善Unet架构中的功能融合.
• 实现了一个带窗的变压器结构,以在较小的段落中处理图像,减少计算复杂性.
• 集成了一个本地图像感知增强 (LiPe) 模块,以改善本地特征表示.

主要成果:

• 与现有方法相比,WiTUnet在消除LDCT图像中的性能优越.
• 在峰值信号与噪声比率 (PSNR),结构相似性 (SSIM) 和根平均平方误差 (RMSE) 中观察到显著改善.
• 该方法有效地提高了消除噪音和整体图像质量.

结论:

• WiTUnet 提供了一个有效的解决方案来消除 LDCT 形象,解决当前深度学习方法的局限性.
• 新型架构改善了功能集成,降低了计算成本,使其适合临床应用.
• 增强的图像质量有助于在医学成像中更准确的诊断.