用于连续深度无关超声成像的残差密集Swin Transformer
图像与视频处理
2024-03-27 v1 计算机视觉与模式识别
摘要
超声成像对评估器官形态和功能至关重要，然而深度调节会降低图像质量和视野，呈现出一种深度依赖的两难困境。传统的基于插值的放大技术常常牺牲细节并引入伪影。受任意尺度超分辨率自然解决这些固有挑战的潜力所启发，我们提出了残差密集Swin Transformer网络（RDSTN），旨在捕捉超声图像固有的非局部特性和长程依赖关系。它包含一个用于特征增强的线性嵌入模块、一个采用移位窗口注意力建模非局部性的编码器，以及一个用于连续细节重建的MLP解码器。该策略简化了图像质量与视野之间的平衡，提供了优于传统方法的纹理。实验表明，RDSTN在参数更少的情况下性能优于现有方法。总之，RDSTN通过克服传统基于插值方法的局限性并实现深度无关成像，在超声图像增强方面展现出巨大潜力。
引用
@article{arxiv.2403.16384,
title = {Residual Dense Swin Transformer for Continuous Depth-Independent Ultrasound Imaging},
author = {Jintong Hu and Hui Che and Zishuo Li and Wenming Yang},
journal= {arXiv preprint arXiv:2403.16384},
year = {2024}
}
备注
Accepted by ICASSP2024, https://ieeexplore.ieee.org/document/10447712