基于记忆增强和多域学习的深度展开网络用于医疗图像重建
Heng Jiang1,2, Qiyang Zhang1,2, Yingying Hu3
1The Research Center for Medical AI, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, People's Republic of China.
Physics in medicine and biology
|August 7, 2025
概括
这项研究引入了一种新的增强记忆的深度解卷 (DUN) 网络,用于优越的医学图像重建. 该方法通过提高信息流和跨代阶段的特征提取来提高图像质量,优于现有技术.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像重建 图像的重建
背景情况:
- 从损坏的数据中重建高质量的医疗图像是一项挑战.
- 深度展开 (DUN) 方法提供了可解释性和深度学习能力的混合.
- 现有的DUN方法在信息流和跨阶段的全球特征捕获方面扎.
研究的目的:
- 开发一种可解释的,高保真度的医疗图像重建方法,使用一个新的DUN网络.
- 解决当前DUN方法中信息流和全局特征提取的局限性.
主要方法:
- 提出了一个基于记忆增强 (ME) 和基于多域学习的DUN网络.
- 集成了一个ME模块,用于自适应的历史输出集成.
- 引入了一个跨阶段的空间域学习变压器 (CS-SLFormer) 用于本地和非本地特征提取.
- 实现了一个频域一致性学习模块,用于细节恢复.
主要成果:
- 拟议的方法在正电子发射断层扫描 (PET),MRI和CT中表现出卓越的性能.
- 在重建中实现了最先进的定量指标和视觉质量.
- 具体来说,在低剂量PET重建中,获得了37.835dB的PSNR和0.970的SSIM.
结论:
- 开发的ME DUN框架显著提高了医学图像重建质量.
- 这项工作扩大了模型驱动的深度学习在医学成像中的应用.
- 拟议的方法显示了在临床环境中高保真图像重建的巨大潜力.
