基于改进ADNet网络模型的低剂量CT图像降噪方法

与正常剂量计算机断层扫描成像(CT)相比,低剂量CT成像可以有效减少X射线对身体的辐射,但因此产生的噪声会显著降低CT成像质量。传统的神经网络由于提取通道单一,影响了图像的特征提取,不利于低剂量CT图像的降噪。分析了基于双注意力机制和记忆与高频特征融合的神经网络图像降噪方法。实验结果表明,与目前常用的3种典型网络相比,该模型避免CT图像过度平滑,可有效保留图像细节纹理。与ADNet网络模型相比在结构相似性上提升了0.005 5,峰值信噪比上提升了0.270 7。     

基于深度学习的CTA影像冠状动脉分割

冠心病作为高发病率的重大冠状动脉疾病,让影像科医生承担了繁重的工作强度.利用人工智能识别冠状动脉中的斑块,实现对冠心病血管狭窄程度的判断,可以减轻CT影像医生的工作强度.应用增加了注意力机制的U-Net网络对冠状动脉进行识别分割,可以大大减少大夫的诊断时间.应用增加了注意力机制的U-Net网络进行训练,最终使损失函数、...