UNeXt: a Low-Dose CT denoising UNet model with the modified ConvNeXt block
Notice bibliographique
Résumé
In recent decades, clinicians have widely utilized computed tomography (CT) for medical diagnosis. Medical radiation is potentially hazardous and therefore reducing x-ray radiation in CT scanning is desired. However, decreasing radiation dose leads to increased noise and artifacts. In this paper, low-dose CT images (LDCT) have been denoised in the UNet-based novel architecture of convolutional neural network (CNN) and compared with normal-dose images (NDCT). A multi-feature extraction block (MFEB) is placed to get extra features in the different receptive fields. The modified ConvNeXt block for CT images (CTNeXt) is developed to extract diverse feature data at various scales. Furthermore, we introduced the image reconstruction block to gradually merge the group convolutions’ feature information and eliminate the gap between the features to ease the transmission of multi-scale information from subsequent stages. The network is optimized using the integration of mean-squared error (MSE), mean-absolute error (MAE), and contrastive loss via vgg16-net. These functions show that they could effectively prevent edge over-smoothing, improve image texture, and preserve structural details. A comparative analysis of the proposed network demonstrates that our method outperforms state-of-the-art denoising models, such as Wasserstein Generative Adversarial Network (WGAN-vgg) and Residual Convolutional Encoder-Decoder (RED-CNN).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».