通过具有长期和短期记忆和注意力的生成对抗网络对3D医疗图像进行超分辨率
Qiong Zhang1, Yiliu Hang2, Fang Wu2
1College of Yonyou Digital & Intelligence, Nantong Institute of Technology, Nantong, China. zhangq@ntit.edu.cn.
Scientific reports
|July 2, 2025
概括
这项研究介绍了一种基于长短记忆和注意力的新型生成对抗网络 (LSTMAGAN),用于增强3D医学图像超分辨率重建. LSTMAGAN方法显著提高了图像质量和特征清晰度.
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:
- 3D医学成像数据由连续的图像组成,连续的图像之间有很高的相关性.
- 深度卷积网络擅长空间特征提取,但与循环网络相比,它们在处理顺序数据方面是有限的.
研究的目的:
- 开发基于长期短期记忆和注意力的生成对抗网络 (LSTMAGAN) 用于3D医学图像超分辨率重建.
- 为了提高连续的3D医疗图像数据的处理和改进重建的准确性.
主要方法:
- 利用生成对抗网络 (GAN) 作为超级解决方案的基础模型.
- 集成的长期短期记忆 (LSTM) 网络,有效地处理连续的3D医学图像数据中的长期依赖.
- 整合了注意力门机制,以减少背景噪音和提高图像特征.
主要成果:
- 对于Luna16和BraTs2021数据集,应用了LSTMAGAN方法.
- 实验结果显示,与现有方法相比,峰值信号噪声比率 (PSNR) 和结构相似度指数 (SSIM) 显著改善.
- 提出的方法在提高重建的3D医学图像的清晰度和质量方面被证明是有效的.
结论:
- LSTMAGAN方法为3D医学图像超分辨率重建提供了有效的解决方案.
- 集成LSTM和注意力机制解决了顺序数据处理中的传统卷积网络的局限性.
- 该方法显示了进步和有效性,为通过更高分辨率的医学成像改善诊断能力铺平了道路.
