RDB CycleGAN-CBAM:一种用于低剂量CT图像去噪的集成深度学习模型

《Medical & Biological Engineering & Computing》:RDB CycleGAN-CBAM: an integrated deep learning model for low-dose ct image denoising

【字体: 大 中 小 】 时间:2026年10月14日 来源:Medical & Biological Engineering & Computing 3.1

编辑推荐:

   ## 摘要 计算机断层扫描(CT)是医学成像中辐射暴露的主要来源之一,其可诱发DNA损伤并增加癌症风险。降低CT辐射剂量以提高患者安全性会不可避免地增加图像噪声和伪影。生成对抗网络(GANs)在无监督低剂量CT(LDCT)去噪方面展现了应用前景。在此基础上,本研究开发了RD

  ## 摘要计算机断层扫描(CT)是医学成像中辐射暴露的主要来源之一,其可诱发DNA损伤并增加癌症风险。降低CT辐射剂量以提高患者安全性会不可避免地增加图像噪声和伪影。生成对抗网络(GANs)在无监督低剂量CT(LDCT)去噪方面展现了应用前景。在此基础上,本研究开发了RDBCycleGAN-CBAM——一种基于CycleGAN的模型,集成了残差密集块(RDBs)和卷积块注意力模块(CBAM),旨在有效去除四分之一剂量CT图像的噪声,同时保留结构细节。该模型利用NIH-AAPM-Mayo数据集中的非配对四分之一剂量和全剂量CT扫描数据,采用对抗损失(LSGAN)、循环一致性损失和恒等损失进行训练。在留出的测试切片上进行评估,以PSNR和SSIM作为主要图像质量指标。结果表明,所提出的RDBCycleGAN-CBAM方法取得的改进与先前研究报告的数值具有竞争力,相对于四分之一剂量输入,PSNR平均提升+3.973 dB,SSIM平均提升+0.053。针对PSNR和SSIM的Shapiro–Wilk检验表明数据不满足正态分布,因此采用了非参数Wilcoxon符号秩检验,结果显示两项指标(PSNR和SSIM)均存在高度显著的改进。非常大的秩双列相关值(1.0)表明几乎所有测试图像均经历了实质性的质量提升。此外,均值差异的Bootstrap置信区间较窄,表明这些改进在整个数据集中具有良好的一致性。这些发现支持将RDBCycleGAN-CBAM作为厂商无关的图像域去噪方法进行进一步研究,同时仍需通过外部验证和阅片者研究来确立其临床应用价值和潜在的剂量降低潜力。### 图形摘要*(此处为图形摘要图片)*
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号