TED-net：基于无卷积 T2T 视觉 Transformer 的编解码扩张网络用于低剂量 CT 去噪
图像与视频处理
2021-06-10 v1 计算机视觉与模式识别
医学物理
摘要
低剂量计算机断层扫描是临床应用的主流。然而，与正常剂量 CT 相比，低剂量 CT（LDCT）图像中存在更强的噪声与更多伪影，这些是实际应用的障碍。过去几年，基于卷积的端到端深度学习方法被广泛用于 LDCT 图像去噪。近来，transformer 因更多的特征交互而展现出优于卷积的性能，但其在 LDCT 去噪中的应用尚未充分发掘。在此，我们提出一种无卷积的基于 T2T 视觉 transformer 的编解码扩张网络（TED-net），以丰富 LDCT 去噪算法家族。该模型不含卷积块，由仅含 transformer 的对称编解码块组成。我们的模型在 AAPM-Mayo 诊所 LDCT Grand Challenge 数据集上评估，结果表明其优于当前最先进的去噪方法。
引用
@article{arxiv.2106.04650,
title = {TED-net: Convolution-free T2T Vision Transformer-based Encoder-decoder Dilation network for Low-dose CT Denoising},
author = {Dayang Wang and Zhan Wu and Hengyong Yu},
journal= {arXiv preprint arXiv:2106.04650},
year = {2021}
}
备注
10 pages, manuscript for 12th International Workshop on Machine Learning in Medical Imaging