基于多层级Swin-Transformer的低剂量CT重建
鉴于X射线辐射对患者存在的潜在风险,许多临床适应症使用低剂量计算机断层扫描(LDCT)成像,以最大限度地降低辐射剂量,同时不显著影响筛查或诊断性能.然而,计算机断层扫描(CT)成像过程中,低辐射剂量产生的噪声会降低CT图像质量,从而影响临床诊断准确性.因此,需要对低剂量CT图像进行重建,提高图像质量.视觉Transformer相比卷积神经网络(CNN)具有更卓越的特征表示能力.与CNN不同,Transformer在LDCT去噪中少有应用,为了发掘Transformer的优异特征提取能力,以实现LDCT高效去噪,提出了一种基于移动窗口多层级Transformer低剂量CT重建网络.该网络使用移动窗口方法将自注意计算限制在非重叠的局部窗口,同时允许跨窗口连接,从而提高了效率,并且降低了数据计算复杂性.此外,网络末端设计了分段残差重建模块,以此进一步实现高质量低剂量CT图像重建.对Mayo低剂量CT数据集的广泛实验表明,与经典方法相比该方法能产生更高质量的重建效果.
注意力机制、CT重建、低剂量、图像后处理、深度学习
41
TP751.1(遥感技术)
国家自然科学基金;天津市自然科学基金;天津市自然科学基金绿色通道项目
2023-03-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
156-163