多模式交叉全球可学习的注意力网络,用于MR图像,与任意的模态缺失无关
Mingfu Jiang1, Shuai Wang2, Ka-Hou Chan3
1Faculty of Applied Sciences, Macao Polytechnic University, R. de Luís Gonzaga Gomes, Macao, 999078, Macao Special Administrative Region of China; College of Information Engineering, Xinyang Agriculture and Forestry University, No. 1 North Ring Road, Pingqiao District, Xinyang, 464000, Henan, China.
概括
这项研究引入了一种新型网络,用于拒绝磁共振成像 (MRI) 扫描,有效处理缺失的图像序列. 该方法通过保留关键图像细节,同时减少噪音,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:
- 磁共振成像 (MRI) 产生多模式图像对于疾病诊断至关重要.
- 图像噪声会降低MRI质量,影响诊断的准确性.
- 现有的剥离方法往往无法利用多式联络或平衡特征提取.
研究的目的:
- 开发一个新的MRI无线网络,解决多式联络和任意的模态缺失问题.
- 为了改善消除强度和图像纹理细节的保存之间的平衡.
主要方法:
- 建议建立一个可控制的多模式跨全球可学习的注意网络 (MMCGLANet).
- 使用编码器进行浅层特征提取,并使用卷积长短期存储器 (ConvLSTM) 进行模式内特征提取.
- 员工跨全球可学习的注意网络 (CGLANet) 用于跨模式和内模式特征融合,具有处理缺失模式的序列代码.
主要成果:
- 拟议的MMCGLANet有效地通过不同的方式拒绝了MR图像.
- 网络表现出强大的性能,即使缺少图像序列.
- 与公开和真实数据集上的现有方法相比,实现了优异的无线化结果.
结论:
- MMCGLANet在MRI解密方面取得了重大进展,特别是在缺失序列的多式联络数据集中.
- 该方法通过提高图像质量来提高MRI用于临床诊断的可靠性.
- 基于注意力的融合和缺失模式的处理是关键的创新.
