A Lightweight Ultrasound Image Denoiser Using Parallel Attention Modules and Capsule Generative Adversarial Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The quality of ultrasound (US) imaging has been constrained by its limited contrast and resolution, inherent speckle noise, and the presence of other artifacts. Existing traditional and deep learning-based US denoising approaches have many limitations, such as reliance on manual parameter configurations, poor performance for unknown noise levels, the requirement for a large number of training data, and high computational expense. To address these challenges, we propose a novel Generative Adversarial Network (GAN) based denoiser. Capsule networks are utilized in both the generator and discriminator of the proposed GAN to capture intricate sparse features with less complexity. In addition, bias components are removed from all neurons of the generator to handle the unknown noise levels. A parallel attention module is also included in the proposed model to further enhance denoising performance. The proposed approach is trained in a semi-supervised manner and can thus be trained with fewer labeled images. Experimental evaluation on publicly available HC18 and BUSI datasets showed that the proposed approach achieved state-of-the-art denoising performance, with PSNR values of 33.86 and 34.16, and SSIM indices of 0.91 and 0.90, respectively. Moreover, experiments showed that the proposed approach is lightweight and more than twice as fast as similar denoisers.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle