使用深度变压器模型的乳房扫描图像的增强无雾化系统,并融合了本地和全球特征

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 图像处理 图像处理

背景情况:

• 图像剥离对于低水平的计算机视觉至关重要,特别是对于像乳房影像这样的医疗图像.
• 深度学习,特别是卷积神经网络 (CNN),在图像处理方面表现出色,但电脑视觉任务中正在出现变压器模型.
• 低水平视觉中的变压器应用,如图像消噪等,尚未得到充分探索.

研究的目的:

• 提出一种新的深度学习架构,DeepTFormer,用于有效的图像消除.
• 为了在混合CNN-变压器框架中利用变压器模型来增强功能提取.
• 为了证明DeepTFormer在现有的最先进的拒绝方法上的优越性.

主要方法:

• 开发了DeepTFormer,这是一个具有预处理,局部-全球特征提取和重建模块的网络.
• 核心的局部-全球特征提取模块使用ITransformer层,卷积层和剩余连接.
• 用合成和真实噪声数据进行了广泛的实验以验证.

主要成果:

• 在客观和主观评估中,DeepTFormer与领先的拒绝方法相比,表现优越.
• 取得了高PSNR (0.41),FSIM (0.93),EPI (0.96) 和SSIM (0.94) 值的最新结果.
• 该架构有效地捕捉了本地细节和全球背景,以准确地重建图像.

结论:

• DeepTFormer为图像消噪提供了一个非常有效的解决方案.
• 变压器架构与卷积层的集成增强了特征提取能力.
• 拟议的模型显示出在推进低级别计算机视觉任务方面显著的前景.