MLAR-UNet:基于U-Net的LDCT图像消噪,具有多个轻量级的基于注意力的模块和残余增强
Hao Tang1, Ningfeng Que1, Yanwen Tian1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110169, People's Republic of China.
Physics in medicine and biology
|February 3, 2025
概括
这项研究介绍了MLAR-UNet,这是一种用于低剂量CT (LDCT) 消噪的深度学习模型. 它有效地减少噪音,并保留医疗图像中的细节,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 低剂量CT (LDCT) 对于减少医学成像期间的辐射暴露至关重要.
- 然而,LDCT图像遭受增加的噪音和文物,妨碍准确的诊断.
- 现有的消噪方法往往难以平衡降噪与细节保护.
研究的目的:
- 开发一个先进的深度学习模型,以有效地消除LDCT的形象.
- 改善低剂量CT扫描中关键诊断细节的保存.
- 引入新的基于注意力的模块,用于增强图像处理.
主要方法:
- 提出了一个基于U-Net的深度学习架构,MLAR-UNet.
- 集成多个轻量级的注意力模块:CBAM,CR,ACRM和CTCAM.
- 新的ACRM和CTCAM模块旨在通过变压器和卷积来增强特征表示和注意力机制.
主要成果:
- 与最先进的方法相比,MLAR-UNet在删除LDCT图像方面表现出卓越的性能.
- 该模型有效地保存了图像细节,并减少了临床胸部和腹部CT数据集中的噪声.
- 实验验证证了每个集成模块的有效性和必要性.
结论:
- 拟议的MLAR-UNet在LDCT形象毁方面取得了重大进展.
- 新的ACRM和CTCAM模块提供了强大的细节理解,最小的计算开销.
- 这项工作提出了一种有效的方法,用于将基于变压器的注意力机制集成到医疗图像处理中.
