UNet
文章平均质量分 95
通街市密人有
https://github.com/LinY-ct
展开
-
Revitalizing MLP’s Ability to Efficiently Extract Long-Distance Dependencies for Medical Image
基于深度学习网络的医学图像分割方法主要分为CNN和Transformer。然而,CNN很难捕获长距离依赖关系,而Transformer的计算复杂度高,局部特征学习能力差。为了有效地提取和融合局部特征和远程依赖关系,本文提出了一种结合MLP的CNN模型Rolling-Unet。具体来说,我们提出了核心R-MLP模块,该模块负责学习整个图像在单一方向上的长距离依赖关系。通过对不同方向的R-MLP模块进行控制和组合,形成OR-MLP和DOR-MLP模块,以捕获多方向的远程依赖关系。原创 2024-05-08 18:24:46 · 937 阅读 · 0 评论 -
Linking In-plane and Through-plane Transformers for Simultaneous CT Image Denoising and Deblurring
本文研究了三维低剂量计算机断层扫描成像技术。尽管在此背景下开发了各种深度学习方法,但它们通常侧重于2D图像,并分别执行低剂量去噪和超分辨率去模糊。同时进行平面内去噪和透平面去模糊是获得低辐射、高成像速度的高质量三维CT图像的重要手段,但目前研究较少。对于这项任务,一个简单的方法是直接训练一个端到端的3D网络。然而,它需要更多的训练数据和昂贵的计算成本。原创 2024-04-30 20:52:20 · 753 阅读 · 1 评论 -
UNeXt: a Low-Dose CT denoising UNet model with the modified ConvNeXt block
近几十年来,临床医生广泛使用计算机断层扫描(CT)进行医学诊断。医疗辐射有潜在危险,因此需要减少CT扫描中的射线辐射。然而,辐射剂量的减少会导致噪声和伪影的增加。本文采用基于UNet的卷积神经网络(CNN)新架构对低剂量CT图像(LDCT)进行去噪,并与正常剂量图像(NDCT)进行对比。多特征提取块(multi-feature extraction block,MFEB)在不同的接受域中获取额外的特征。提出了改进的CT图像ConvNeXt块(CTNeXt),用于提取不同尺度的不同特征数据。原创 2024-04-30 20:44:26 · 1013 阅读 · 0 评论