SGAMARN: A GAN Framework for Metal Artifact Reduction in CT Imaging
Notice bibliographique
Résumé
Metallic objects cause severe artifacts degrading CT image quality, complicating interpretation, and influencing clinical diagnosis in radiation therapy. This paper introduces a novel Generative Adversarial Network (GAN) framework developed for metal artifact reduction (MAR), incorporating a transformer generator and a conditional discriminator, jointly optimized to improve artifact removal while maintaining anatomical accuracy. We adopt a modified U-Net structure for the generator, featuring hierarchical encoder stages, a bottleneck, and an asymmetric decoder. The encoder utilizes transformer blocks and self-attention mechanisms to extract multi-scale features, while pooling cascading facilitates dense connectivity and gradient flow. The decoder, optimized for computational efficiency, reconstructs artifact reduced images. The discriminator, on the other hand, leverages convolutional blocks with instance normalization to detect residual artifacts and guide the generator towards structural fidelity and artifact suppression.Ablation experiments were performed to determine the effectiveness of the module. Evaluation of the proposed network has been conducted for training using the Deeplesion synthasized Dataset. The Structural Similarity Index Method (SSIM) and the Peak Signal to Noise Ratio (PSNR) were measured for quantitative results which demonstrate that SGAMARN outperforms traditional and deep learning MAR techniques in artifact suppression, structural fidelity, and robustness achieving 7.6 percent improvement in PSNR.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».