双域深度先导稀疏视图CT重建与多尺度聚变注意力
Jia Wu1,2, Jinzhao Lin1, Xiaoming Jiang3
1School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications, 400065, Chongqing, China.
Scientific reports
|May 15, 2025
概括
我们开发了一个新的深度学习模型,DPMA,用于稀疏视图CT重建. 它通过减少噪音和文物来提高图像质量,确保数据的一致性以获得更好的诊断准确性.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 医疗保健中的人工智能
背景情况:
- 稀疏视图CT重建是一个不合时宜的问题,由于投影数据有限,导致图像退化.
- 现有的深度学习方法通常无法强制执行投影数据约束,并且具有有限的特征提取.
- 这导致人造物和噪音,损害了低剂量或快速CT扫描的诊断准确性.
研究的目的:
- 提出一种新的双域深度先导多尺度融合注意力 (DPMA) 模型,用于增强稀疏视图CT重建.
- 为了提高重建的准确性,稳定性,并确保遵守投影数据约束.
- 克服现有的深度学习方法在特征提取和适应性方面的局限性.
主要方法:
- 实施了剩余规范化策略,将深度学习先验与基于模型的优化整合在一起.
- 开发了一个多尺度的融合注意力机制,用于统一的全球,区域和本地特征建模.
- 整合了一个基于物理的一致性模块,使用范围零空间分解来实现数据一致性.
主要成果:
- 与现有方法相比,DPMA模型在稀疏视图CT重建中表现优越.
- 在噪音抑制和工件减少方面观察到显著的改进.
- 在重建的CT图像中实现了更好的细节保存.
结论:
- 拟议的DPMA模型有效地解决了稀疏视图CT重建的挑战.
- 它通过平衡深层次的先验与物理数据的一致性来实现高质量的重建.
- 在CT成像中,DPMA提供了一种有前途的方法来提高图像质量和诊断可靠性.


