基于Transformer和注意力机制的低剂量CT智能成像方法研究.pdf

摘要

ComputedTomographyCT

计算机断层成像（，）属于医学影像学中的一种检查技

术，在影像诊断领域发挥着重要作用。尽管它在疾病诊断和治疗方面对医生提供了

极大的帮助，但在扫描过程中，病人暴露于X射线辐射，这可能增加患者的潜在致

X

病风险。因此，尽可能减少射线的剂量是十分必要的。但随着X射线剂量的降低，

CT

重建出的图像的噪声会相应增大，严重影响诊断结果。因此，如何压制低剂量

CT图像的噪声问题成为了当前研究的主流方向之一。

最近，深度学习方法在图像处理领域取得了显著进展，特别是在处理图像去噪

ConvolutionalNeural

任务时表现突出。当前的研究主要集中在卷积神经网络（

Networks，CNN）和Transformer的深度有机耦合的探索上。这种耦合策略充分发挥

了CNN在提取图像局部特征方面的优势，并同时利用了Transformer在长程关系建

CTTransformer

模方面的强大能力，从而实现了对低剂量图像的有效去噪。的核心

是自注意力机制的运用。将其他类型的注意力机制与Transformer进行有效融合，可

CNNTransformer

以提升模型的性能。综合运用、和多注意力机制构建深度神经网络，

CT

有望更进一步地提高对低剂量图像去噪的性能。

基于这种类型的深度网络，本文提出了两种低剂量CT图像去噪网络，并设计了

相应的图像去噪系统。主要工作如下：

1UTransformerMultiAttentionCoupled,

（）提出了一种基于多注意力耦合的型（

U-shapedTransformer，MA-Uformer）网络。该网络结合CNN和Transformer的优势，

同时具有局部和全局信息的关联和捕捉能力，且有效融合了像素注意力机制、通道

CT

注意力机制和空间注意力机制，实现了低剂量图像的高性能去噪。

（2）提出了一种基于通道图感知的U型Transformer（ChannelGraphPerception

basedU-shapedTransformer,CGP-Uformer）网络。该网络综合运用了Transformer的

GraphConvolution

长程依赖建模能力和空间交叉注意力机制，且基于图卷积网络（

Network,GCN）的结构建模能力，学习图像通道间的关联关系，使网络具有全面的

CTCT

特征学习能力，能够更好的保留图像的细节，得到更好的低剂量图像去噪效

果。

（3）设计并实现了一个医学图像去噪系统。该系统拥有低剂量CT图像读取、

处理以及高质量图像输出等功能。

I

目录

摘要I

ABSTRACTIII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1基于卷积神经网络