FADFNet:一个微调和适应性分解融合网络,用于跨数据集的低剂量CT和低剂量PET图像重建
Fangji Qian1, Weitao Wang2, Yanyan Huang3
1College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China.
Medical image analysis
|March 9, 2026
概括
FADFNet通过自适应性重建图像来增强低剂量CT和PET成像,减少噪音,同时保持质量. 这种深度学习方法为更安全的医学成像提供了强大的跨领域性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 低剂量计算机断层扫描 (LDCT) 和低剂量正子发射断层扫描 (LDPET) 减少了辐射暴露,但受到噪声的影响.
- 现有的深度学习模型在不同的数据集和成像模式中难以适应.
研究的目的:
- 为跨域低剂量图像重建开发一个强大的和适应性的深度学习网络.
- 为了提高LDCT和LDPET的图像质量,同时尽量减少计算成本.
主要方法:
- 拟议的FADFNet (微调和适应性分解融合网络) 使用频率意识方法.
- 集成的基于波形变换的分解和上下文意识的空间通道调制.
- 使用基于频域的特征金字塔融合模块和参数高效微调.
主要成果:
- 在四个LDCT和四个LDPET数据集上,FADFNet在最先进的方法上表现优越.
- 实现了最佳的信号保真度和感知质量,减少了计算开销.
- 临床评估显示,重建质量与全剂量图像相当.
结论:
- FADFNet为低剂量医疗图像重建提供了强大,可适应和高效的解决方案.
- 该方法显示了在各种临床环境中可靠部署的潜力.
- 参数高效的微调使其能够适应新的扫描器领域.
更多相关视频
11:09High-Resolution Cardiac Positron Emission Tomography/Computed Tomography for Small Animals
Published on: December 16, 2022
4.4K
08:02Author Spotlight: Enhanced Quantification of Cardiovascular Calcification Progression for Longitudinal Micro PET/CT Studies in Small Research Animals
Published on: November 15, 2024
1.1K
