基于CNN和Transformer耦合网络的低剂量CT图像重建方法
乔一瑜
乔志伟
山西大学计算机与信息技术学院,太原030006
摘要：在投影角度个数不变的情况下,降低每个角度下的射线剂量,是一种有效的低剂量CT实现方式,然而,这会使得重建图像的噪声较大.当前,以卷积神经网络(CNN)为代表的深度学习图像去噪方法已经成为低剂量CT图像去噪的经典方法.受Transformer在计算机视觉任务中展现的良好性能的启发,本文提出一种CNN和Transformer耦合的网络(CTC),以进一步提高CT图像去噪的性能.CTC网络综合运用CNN的局部信息关联能力和Transformer的全局信息捕捉能力,构建8个由CNN部件和一种改进的Transformer部件构成的核心网络块,并基于残差连接机制和信息复用机制将之互联.与现有4种去噪网络比较,CTC网络去噪能力更强,可以实现高精度低剂量CT图像重建.
关键词：低剂量CT自注意力机制卷积神经网络残差连接
分类号：O242(计算数学)TP391.41(计算技术、计算机技术)
资助基金：国家自然科学基金(62071281)中央引导地方科技发展资金项目(YDZJSX2021A003)山西省重点研发计划(EPRI;201803D421012)山西省留学人员科技活动择优资助项目(2018-172)山西省回国留学人员科研资助项目(2020-008)
论文发表日期：2022-11-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 697-707 )
英文信息