安徽工程大学最新研究：通过基于变压器的生成对抗网络抑制稀疏视图CT的伪影
论论资讯 ｜ 2024-04-29 ｜
22热度
Biomedical Signal Processing and Control
Explore content
About the journal
Publish with us
Artifact suppression for sparse view CT via transformer-based generative adversarial network
Zhang T.; Liu J.; Wu F.; Wang K.; Huang S.; Zhang Y.
Published：2024-09-01
DOI：10.1016/j.bspc.2024.106297
研究背景
在当今社会，医疗影像技术的发展日新月异，然而在稀疏视角CT成像中，常常受到条纹伪影的干扰。虽然深度学习在稀疏视角CT成像领域取得了显著进展，但目前主流的基于CNN的方法在捕捉大区域特征信息时效率不高，这也是当前研究领域存在的问题之一。
研究内容
一项名为《通过基于Transformer的生成对抗网络抑制稀疏视角CT中的伪影》的研究在《生物医学信号处理与控制》期刊上发表。该研究提出了一种名为SVT-GAN的基于Transformer的生成对抗网络，旨在高效抑制稀疏视角CT图像中的伪影。研究采用了Transformer网络和对抗学习，通过一个框架来提高稀疏视角CT图像恢复结果的质量。生成器主要由一个编码器-解码器结构组成，依赖Transformer模型学习多尺度局部-全局表示，并利用来自远距离伪影的上下文信息。此外，与标准Transformer模型相比，研究使用了多-Dconv头-转置注意力（MDTA）模块，增强了提出方法提取本地和非本地信息的能力，产生了令人印象深刻的结构和细节恢复结果。为了抑制伪影特征的转换，研究利用了门控-Dconv前馈网络（GDFN）。在GAN学习框架中，研究采用了一个简单的九层网络作为鉴别器，以增强生成器抑制伪影并保留特征的能力。与最近开发的最先进方法相比，提出的模型在AAPM和Real CT数据集上显著减少了严重的噪声伪影，同时保留了细节。定性和定量评估显示了SVT-GAN的竞争性能。
研究意义
这项研究的创新之处在于提出了一种新颖的方法，采用了Transformer网络和对抗学习，有效地解决了稀疏视角CT图像中伪影的问题。通过SVT-GAN模型，研究人员成功地改善了稀疏视角CT图像的质量，为医疗影像技术的发展带来了新的可能性，有望在未来帮助医生更准确地诊断疾病，提高医疗影像的质量和准确性。
学术热榜
查看全部
相关资讯
换一批