Learning Beyond Generated Targets: A Modified SFNet for CBCT Image Enhancement
Notice bibliographique
Résumé
Despite significant advancements in denoising techniques for low-dose Cone-Beam Computed Tomography (CBCT) images, developing robust Artificial Intelligence (AI)-based approaches remains a critical challenge due to the unavailability of real paired CBCT datasets. While various methods have been proposed to enhance low-dose CBCT images, their effectiveness is limited by the absence of paired datasets and the use of CT images as substitutes for high-dose CBCTs, leaving room for further improvement. In this paper, we first introduce a novel CBCT dataset in which high-dose target images are synthetically generated from low-dose scans using an advanced enhancement method. Additionally, we propose a modified Selective Frequency Network (SFNet) that better captures CBCT-specific features by integrating Convolutional Block Attention Modules (CBAMs) after Residual Blocks (ResBlocks) and features an improved hierarchical shallow layer for enhanced feature extraction. Objective evaluations using full-reference and no-reference metrics demonstrate that our modified SFNet surpasses the state-of-the-art CBCT denoising approach. More importantly, our model produces CBCT images of even higher quality than the realistic high-dose targets generated from low-dose CBCT for training, as it learns a more refined mapping that reduces residual artifacts present in generated and real high-dose images. This advancement significantly improves CBCT image quality while minimizing radiation exposure, enhancing diagnostic reliability, and broadening clinical applications.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».