基于Transformer和CNN的低剂量CT图像去噪网络

低剂量计算机断层扫描(Low-dose Computed Tomography, LDCT)在临床中有着广泛的应用,可以有效减轻对病人的辐射剂量。但是成像后的低剂量CT图像中含有明显的噪声和条形伪影,影响医师的诊断。提出了一种基于Transformer和CNN的去噪网络,该网络是一种改进的编解码网络架构,其编码端的每一层由卷积模块与Transformer模块融合而成,用来提取每一层的局部特征和全局特征,同时引入融合模块用来有效地融合提取的局部特征和全局特征。并把融合后的特征通过跳跃连接融入解码端对应的层,解码端的每一层通过卷积模块提取有效特征进而重建去噪后的图像。在真实数据集Mayo上的实验结果说明所提出的网络不仅可以有效去除噪声,还能够保持图像的边缘。

基于注意力机制U-Net的低剂量CT图像去噪方法

计算机断层扫描(CT)产生的辐射风险已成为公众关注的问题。降低剂量将影响CT图像的质量以及医生的诊断结果。传统的基于深度网络算法中,同一层中的特征通道间的地位是平等的,影响信息的提取。为此,提出了一种具有注意力机制的U-Net残差网络。在U-Net中引入通道注意力模块驱使网络将更多的注意力集中于含有噪声和伪影信息的通道上,降低对其他信息通道的关注度,提高网络的去噪能力。同时利用像素注意力引导网络捕捉图像区域中的噪声和伪影。实验验证了两种注意力的结合提高了网络的性能。所提出的方法的峰值信噪比高出REd-CNN大约0.17,视觉信息保真度高出大约5%,信息保真度准则高出大约4%.