基于非对称卷积的GAN框架用于低剂量CT图像去除
Naragoni Saidulu1, Priya Ranjan Muduli1
1Department of Electronics Engineering, Indian Institute of Technology (BHU) Varanasi, India.
Computers in biology and medicine
|March 19, 2025
概括
本研究介绍了ACGNet,这是一种用于低剂量CT (LDCT) 图像消噪的新型深度学习模型. ACGNet有效地保留了解剖细节,并防止了形状扭曲,显著提高了诊断图像质量.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 低剂量CT (LDCT) 图像消噪对于提高诊断准确性至关重要.
- 现有的生成对抗网络 (GAN) 方法可能会丢失高频细节,并引入结构性扭曲.
- 保持本地和全球像素相关性对于高质量的LDCT成像至关重要.
研究的目的:
- 开发一种新的深度学习模型,以有效地消除LDCT的形象.
- 解决当前方法在保存解剖细节和防止形状扭曲方面的局限性.
- 通过先进的降噪来提高LDCT图像的诊断质量.
主要方法:
- 开发了一种基于卷积的新型不对称发电机网络 (ACGNet).
- ACGNet使用1D不对称卷积 (1x3 & 3x1) 和动态注意模块 (DAM).
- 为了增强重建,纳入了神经结构保存损失 (NSPL) 和差异性内容损失.
主要成果:
- 在被拒绝的LDCT图像中,ACGNet在保留本地和全球像素关系方面表现出卓越的表现.
- 该方法成功地防止了结构 (形状) 扭曲,保持了图像完整性.
- 在公共数据集上,ACGNet取得了最先进的结果,在2016年5月的数据集上,PSNR为35.2015dB,SSIM为0.9560.
结论:
- ACGNet有效地删除LDCT图像,同时保留关键的解剖细节和结构完整性.
- 拟议的NSPL和差异性内容损失有助于人类感知到的图像质量和损伤边界恢复.
- 在基于深度学习的低剂量CT成像中,ACGNet代表了基于深度学习的显著进步.
