基于Transformer增强型U-net的CT图像稀疏重建与伪影抑制

摘要：

实现低剂量计算机断层成像(CT)的一个有效办法是减少投影角度,但投影角度较少会产生严重的条状伪影,降低图像的临床使用价值.针对该问题,提出一种耦合卷积神经网络(CNN)和多种注意力机制的U型网络(TE-unet).首先采用U型架构提取多尺度特征信息;其次提出一个包含CNN和多种注意力的模块提取图像特征;最后在跳跃连接处加入Transformer块过滤信息,抑制不相关特征,突出重要特征.所提网络结合CNN的局部特征提取能力和Transformer的全局信息捕获能力,辅以多种注意力机制,实现了良好的去条状伪影能力.在60个投影角度下,与经典的Uformer网络相比,峰值信噪比(PSNR)高出0.3178 dB,结构相似度(SSIM)高出0.002,均方根误差(RMSE)降低0.0005.实验结果表明,所提TE-unet重建的图像精度更高,图像细节保留的更好,可以更好地压制条状伪影.

关键词：稀疏重建、计算机断层成像、Transformer、多注意力机制、条状伪影

所属期刊栏目：33

分类号：O242;TP391(计算数学)

资助基金：国家自然科学基金;中央引导地方科技发展资金项目;山西省回国留学人员科研资助项目

在线出版日期：2024-01-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1-12