Edge Detection Attention Module in Pure Vision Transformer for Low-Dose X-Ray Computed Tomography Image Denoising
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
X-ray computed tomography (CT) is vital for medical diagnostics, but frequent radiation exposure raises concerns, driving the adoption of low-dose CT (LDCT) to mitigate risks. However, LDCT often introduces noise, compromising diagnostic accuracy. This paper proposes a pure vision transformer (PViT) for LDCT denoising, enhanced with a gradient–Laplacian attention module (GLAM) to improve edge preservation and fine structural detail reconstruction. The model’s robustness was validated across five diverse datasets (piglet, head, abdomen, chest, thoracic), demonstrating consistent performance in preserving anatomical structures. Extensive ablation studies on attention configurations and loss functions further substantiated the contributions of each module. Quantitative evaluation using PSNR and SSIM, alongside radiologist assessment, confirmed significant noise suppression and sharper anatomical boundaries, particularly in regions with fine details such as organ interfaces and bone structures. Additionally, in benchmark comparisons against state-of-the-art LDCT models (RED-CNN, TED-Net, DSC-GAN, DRL-EMP) and traditional methods (BM3D), the model exhibited lower parameter and stable training performance. These findings highlight the model’s robustness, efficiency, and clinical applicability, making it a promising solution for improving LDCT image quality while maintaining computational efficiency.
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 | 0,001 | 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