[1]李晓增,王宝珠,郭志涛,等.一种用于低剂量CT的微小细节保护CNN与Transformer融合去噪方法[J].中国医学物理学杂志,2024,41(7):842-850.[doi:1005-202X（2024）07-0842-09]
　LI Xiaozeng,WANG Baozhu,GUO Zhitao,et al.Low-dose CT denoising method with CNN and Transformer to preserve tiny details[J].Chinese Journal of Medical Physics,2024,41(7):842-850.[doi:1005-202X（2024）07-0842-09]
点击复制

一种用于低剂量CT的微小细节保护CNN与Transformer融合去噪方法()
分享到：

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
41卷
期数:
2024年第7期
页码:
842-850
栏目:
医学影像物理
出版日期:
2024-07-25

文章信息/Info

Title:
Low-dose CT denoising method with CNN and Transformer to preserve tiny details
文章编号:
1005-202X（2024）07-0842-09
作者:
李晓增1; 王宝珠1; 郭志涛1; 2; Shanaz Sharmin Jui1
1.河北工业大学电子信息工程学院， 天津 300401； 2.河北工业大学创新研究院（石家庄）， 河北 石家庄 050299
Author(s):
LI Xiaozeng1;  WANG Baozhu1;  GUO Zhitao1;  2;  Shanaz Sharmin Jui1
1. School of Electronic and Information Engineering, Hebei University of Technology, Tianjin 300401, China 2. Innovation and Research Institute of Hebei University of Technology in Shijiazhuang, Shijiazhuang 050299, China
关键词:
低剂量CT; 图像去噪; 深度学习; 微小细节保护
Keywords:
Keywords: low-dose computed tomography image denoising deep learning tiny detail preservation
分类号:
R318
DOI:
1005-202X（2024）07-0842-09
文献标志码:
A
摘要:
为解决低剂量CT图像因辐射剂量降低而引入大量噪声，导致图像质量下降，从而影响临床诊断准确性问题，构建一种结合卷积神经网络（CNN）与Transformer的网络模型，并在此模型中引入一种内部块特征提取模块，以更好地保护图像中的微小细节。此外，为了解决应用Swin Transformer去噪时出现恢复错误纹理细节的问题，在自注意力部分并入一个多输入通道注意力模块，进而构建一种双重注意力Transformer。本研究在AAPM数据集上进行测试，实验结果表明，与现有的去噪算法相比，本文提出的算法在去噪方面表现出色，可以更好地保护图像的微小细节。
Abstract:
Abstract: Given that low-dose computed tomography significantly amplifies image noise due to the mitigation of radiation exposure, which degrades image quality and lowers the precision of clinical diagnoses, a novel model incorporating convolutional neural network and Transformer is established, in which an intra-patch feature extraction module is used to effectively preserve tiny details in the image. A double attention Transformer is constructed by incorporating a multiple-input channel attention module into the self-attention for tackling the problem of incorrect restoration of texture details during denoising using Swin Transformer. AAPM dataset is used for testing, and the results demonstrate that the proposed algorithm not only surpasses the existing algorithms in denoising performance, but also excels in preserving tiny details in the image.

相似文献/References:

[1]王 为,张松方,屠永清,等.基于Contourlet阈值法的锥形束CT图像去噪研究[J].中国医学物理学杂志,2014,31(06):5275.[doi:10.3969/j.issn.1005-202X.2014.06.013]
[2]钱姗姗,边兆英,路利军,等.两种基于Anscombe变换域滤波的低剂量CT重建方法讨论[J].中国医学物理学杂志,2013,30(02):4023.[doi:10.3969/j.issn.1005-202X.2013.02.015]
[3]王为,吴国华,沈奕晨,等.基于MATLAB的锥形束CT图像去噪研究[J].中国医学物理学杂志,2013,30(04):4278.[doi:10.3969/j.issn.1005-202X.2013.04.015]
[4]张辉见,陈始均,郑少斌.基于向量全变分的双源CT图像在泌尿系统疾病中的去噪研究[J].中国医学物理学杂志,2015,32(05):721.[doi:doi:10.3969/j.issn.1005-202X.2015.05.024]
[5]刘国才,王帅卿,朱苏雨.正电子发射断层扫描图像非局部几何非线性扩散去噪方法[J].中国医学物理学杂志,2016,33(4):357.[doi:10.3969/j.issn.1005-202X.2016.04.007]
　[J].Chinese Journal of Medical Physics,2016,33(7):357.[doi:10.3969/j.issn.1005-202X.2016.04.007]
[6]陈伟国,贺捷新,莫天澜,等. 低剂量CT心肌灌注鲁棒去卷积参数成像方法[J].中国医学物理学杂志,2017,34(11):1131.[doi:DOI:10.3969/j.issn.1005-202X.2017.11.010]
　CHEN Weiguo,HE Jiexin,MO Tianlan,et al. Robust deconvolution for low-dose CT myocardial perfusion imaging[J].Chinese Journal of Medical Physics,2017,34(7):1131.[doi:DOI:10.3969/j.issn.1005-202X.2017.11.010]
[7]洪启帆,玄祖兴,李雅馨.基于全卷积神经网络的低剂量CT去噪算法[J].中国医学物理学杂志,2023,40(6):695.[doi:DOI:10.3969/j.issn.1005-202X.2023.06.005]
　HONG Qifan,XUAN Zuxing,LI Yaxin.Fully convolutional neural network based algorithm for low-dose CT image denoising[J].Chinese Journal of Medical Physics,2023,40(7):695.[doi:DOI:10.3969/j.issn.1005-202X.2023.06.005]
[8]谢丰雪,杨帆,冯维,等.基于深度学习的低剂量CT图像去噪[J].中国医学物理学杂志,2022,39(5):547.[doi:DOI:10.3969/j.issn.1005-202X.2022.05.004]
　XIE Fengxue,YANG Fan,FENG Wei,et al.Low-dose CT image denoising based on deep learning[J].Chinese Journal of Medical Physics,2022,39(7):547.[doi:DOI:10.3969/j.issn.1005-202X.2022.05.004]

备注/Memo

备注/Memo:
【收稿日期】2023-12-22 【基金项目】河北省高等学校科学技术研究项目（ZD2022115）；河北工业大学创新研究院（石家庄）石家庄市科技合作专项基金（SJZZXB23005） 【作者简介】李晓增，硕士，研究方向：医学图像处理、计算机视觉，E-mail: lixiaozeng2023@163.com 【通信作者】郭志涛，博士，教授，研究方向：医学图像处理、深度学习，E-mail: mrnow@hebut.edu.cn
更新日期/Last Update: 2024-07-12