自主监督的U变压器网络与面具重建用于金属工件减少

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:

• 计算机断层扫描 (CT) 中的金属工件隐藏了关键的人体组织信息,阻碍了疾病的准确诊断.
• 对于金属工件减少 (MAR) 的深度学习方法面临挑战,因为缺乏配对的现实世界训练数据集.
• 使用合成数据的现有方法往往对真实金属文物CT图像的概括性不佳.

研究的目的:

• 开发一个自我监督的U形变压器网络,以提高金属工件减少 (MAR) 的概括性.
• 通过有效地减少CT图像中的金属工件来提高疾病诊断的准确性.
• 为了利用未标记的真实文物和标记的合成文物CT图像进行强大的模型训练.

主要方法:

• 设计了一个自主监督的U形变压器网络,其中包含了面具重建前文本任务.
• 文本前的任务涉及重建蒙面CT图像,以学习文物和组织结构.
• 一个下游任务是使用标记数据对MAR的网络进行微调,利用变压器的远程特征提取和MAR瓶来获得跨道的关注.

主要成果:

• 拟议的框架显示了对MAR的强烈概括,保留了组织细节,同时抑制了文物.
• 达到了43.86dB的峰值信号噪声比和0.9863.3的结构相似度指数.
• 改进了细分性能,Dice系数增加了11.70%,MAR图像的平均交叉与联合率增加了9.51%.

结论:

• 自主监督的方法有效地提高了CT成像中金属工件减少 (MAR) 的模型通用性.
• 结合未标记的真实数据和标记的合成数据对于改善模型性能对现实世界文物数据至关重要.
• 开发的方法提供了一种有效的解决方案,用于改善受金属工件影响的CT扫描中的诊断准确性.