Fused Attention Modules Embedded in Artificial Neural Networks for Low Dose CT Denoising With Integrated Loss Functions
Notice bibliographique
Résumé
X-ray Computed Tomography (CT) is a non-invasive medical diagnostic tool that has raised public concerns due to the associated health risks of radiation dose to patients. Reducing the radiation dose leads to noise artifacts, making the low-dose CT images unreliable for diagnosis. Hence, low-dose computed tomography (LDCT) image reconstruction techniques have offered a new challenge in the research area. This thesis focuses on reconstructing LDCT images using deep learning techniques to provide an efficient, effective, and accurate training regimes for LDCT image denoising. A fusion of spatial and channel attention modules integrated into a dilated residual network is proposed to improve the structural details of denoised LDCT images. Further, a combination of perceptual loss, per-pixel loss, and structural dissimilarity loss is used for the optimization of the overall network. These objective functions aim to preserve structural details, avoid edge over-smoothing and enhance the image texture, respectively. Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index Metrics (SSIM) are used for measuring the quantitative results. A comparative experiment was done between the proposed model and the recent denoising models, such as Block Matching and 3D Filtering (BM3D), patch Markovnian Generative Adversarial Network (patch-GAN) and dilated residual learning with edge detection (DRL-E-MP). Not only with quantitative results, but these models were also compared visually. To further strengthen the validity of the outcomes, five different CT image datasets were used. The proposed model obtained the highest PSNR/SSIM value of 34.36/0.6971 while BM3D resulted in the lowest value with 30.24/0.4461 using the chest dataset from the Mayo Clinic. Overall, the proposed network demonstrated that it could outperform state-of-the-art models.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».