Speckle Noise Reduction for Medical Ultrasound Images Using Hybrid CNN-Transformer 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
Ultrasound images are often affected by limited resolution, artifacts, and inherent speckle noise. To address these challenges, researchers have explored denoising approaches. Recently, deep learning methods have demonstrated distinct advantages in ultrasound image denoising. However, further improvements are needed to preserve structural details, such as boundaries, edges, and margins. This paper proposes a hybrid CNN-transformer network called HCTSpeckle, an encoder-decoder network with a fusion block designed to enhance ultrasound images. The fusion block combines swin transformers to capture global modeling relationships, and convolutional neural networks to extract local modeling details. It is integrated into the encoder-decoder structure, allowing the model to focus on both local and global texture structural information. An improved swin block is also introduced into the network to improve robustness by extracting more significant features. HCTSpeckle was evaluated both quantitatively and qualitatively with clinical objectives using two public and two private datasets. Both results showed that HCTSpeckle significantly enhanced the ultrasound image quality and outperformed state-of-the-art methods in noise reduction and structure preservation across all four datasets. Compared to existing denoising methods, HCTSpeckle achieved notably faster performance in terms of complexity comparison, such as parameter counts, gigaFLOPs, and inference time. Moreover, this study assessed the effectiveness of HCTSpeckle for alveolar bone segmentation using dental images, demonstrating that HCTSpeckle significantly improved segmentation performance. Furthermore, an experienced radiologist blindly rated the 250 dental US images on a scale of 1 to 5, with 5 being the highest image quality, showing that HCTSpeckle consistently produced higher-quality images.
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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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