MRDT-GAN:具有多尺度残留密集变压器发生器的生成对抗网络,用于低剂量CT无声化
Shikai Guo1, Jieyu Li2, Yi Wu3
1Hebei University of Technology, School of Electronic and Information Engineering, Hebei University of Technology, Tianjin 300401, China, Tianjin, 300401, CHINA.
Physics in medicine and biology
|December 5, 2025
概括
一个新的深度学习模型,MRDT-GAN,有效地否定低剂量计算机断层扫描 (LDCT) 图像. 这种先进的框架可以抑制噪音,同时保留关键的解剖细节,以提高诊断质量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 低剂量计算机断层扫描 (LDCT) 减少了辐射暴露,但引入了噪音和文物.
- 现有的深度学习解密方法在过度平滑和微细结构损失方面扎.
研究的目的:
- 制定一个LDCT无声化框架,以加强噪音抑制.
- 在无色图像中保留解剖细节和结构忠实性.
主要方法:
- 提出一个多尺度的残余密度变压器生成对抗网络 (MRDT-GAN).
- 使用多尺度剩余密集变压器块 (MRDTB) 和补丁变压器块 (PTB) 来保存细节和捕获远程依赖.
- 整合混合注意模块 (HAM) 以集中抑制噪音和对比均性.
- 在分辨器中使用多差异对抗学习来实现现实的纹理重建.
主要成果:
- 在LDCT数据集上,MRDT-GAN表现出卓越的无色化性能.
- 该模型有效地保留了细节,并提高了整体视觉质量.
- 与现有方法相比,在降噪和结构完整性之间实现了更好的平衡.
结论:
- MRDT-GAN 提供了一个有效和可通用的解决方案,用于 LDCT 宣传.
- 该框架成功地平衡了降低噪音和保持细节的细节.
- 提高了临床适用性,并支持用于诊断任务的高质量图像重建.
