一个跨类型的多维网络,基于功能增强和三重交互的注意力,为最不发达国家和地区拒绝
Lina Jia1,2, Beibei Jia1, Zongyang Li1
1School of Physics and Electronic Engineering, Shanxi University, Taiyuan, China.
Journal of X-ray science and technology
|February 20, 2025
概括
这项研究引入了一种增强的深度学习网络,用于低剂量计算机断层扫描 (LDCT) 图像无色化,显著提高图像质量和细节保存. 与现有的先进算法相比,新方法在腹部CT扫描中实现了更高的性能.
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:
- 低剂量计算机断层扫描 (LDCT) 图像剥离的深度学习方法有希望,但在结构损失和效率方面扎.
- 现有的技术往往无法保存关键的边缘信息,并且可能是低效的.
研究的目的:
- 为了提高LDCT图像的无色化质量.
- 引入一个改进的多维混合注意力网络,包括边缘检测,用于更优质的LDCT图像消噪.
主要方法:
- 使用可训练的索贝尔卷积开发了一个边缘增强模块.
- 在卷积层之后集成了一个增强的三重注意力网络 (ETAN),用于全面的特征提取和噪声抑制.
- 采用综合损失策略 (总变化损失 + 平均平方误差) 来最大限度地减少文物,并与细节保存平衡.
主要成果:
- 拟议的模型在腹部CT图像中实现了卓越的峰值信号噪声比 (PSNR) 和结构相似度指数 (SSIM) 值.
- 实现PSNR为34.8211和SSIM为0.9131,超过了CT-former,REDCNN和EDCNN等高级算法.
- 在主观视觉质量和客观绩效指标方面都取得了显著的改善.
结论:
- 增强的网络有效地提高了LDCT的图像质量.
- 拟议的算法为LDCT图像重建提供了显著的视觉真实性和客观性能的进步.
- 边缘检测和注意力机制的整合为LDCT解决挑战提供了强大的解决方案.
