چارچوب یادگیری عمیق چندمقیاسی مبتنی بر مکانیزم توجه برای بهبود تصاویر توموگرافی کامپیوتری با دوز پایین

تصویربرداری توموگرافی کامپیوتری با دوز پایین (LDCT) یکی از روش های موثر برای کاهش میزان تابش دریافتی بیماران است، اما کاهش دوز پرتو معمولا موجب افزایش نویز و افت کیفیت تصاویر می شود. در این پژوهش یک چارچوب یادگیری عمیق مبتنی بر شبکه Multi-Scale Attention U-Net برای بهبود کیفیت تصاویر LDCT ارائه شده است. در معماری پیشنهادی، بلوک های چندمقیاسی به منظور استخراج همزمان ویژگی های محلی و سراسری و مکانیزم توجه برای تمرکز بر نواحی مهم تصویر مورد استفاده قرار گرفته اند. آموزش مدل بر روی مجموعه داده Low-Dose CT and Projection Data شامل ۷۸۹۱ زوج تصویر دوز پایین و دوز کامل انجام شد. فرآیند آموزش به مدت ۲۰ دوره آموزشی با استفاده از پردازنده گرافیکی NVIDIA RTX ۴۰۵۰ انجام گرفت. عملکرد مدل با استفاده از معیارهای PSNR و SSIM ارزیابی شد. نتایج نشان داد میانگین PSNR از ۲۳.۳۰ دسی بل به ۳۱.۰۸ دسی بل و میانگین SSIM از ۰.۴۶۳ به ۰.۷۵۲ افزایش یافته است. همچنین ارزیابی بصری تصاویر بازسازی شده بیانگر کاهش قابل توجه نویز و حفظ بهتر جزئیات ساختاری در مقایسه با تصاویر اولیه بود. نتایج این پژوهش نشان می دهد که ترکیب یادگیری چندمقیاسی و مکانیزم توجه می تواند به عنوان رویکردی موثر برای ارتقای کیفیت تصاویر CT با دوز پایین مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری عمیق ، توموگرافی کامپیوتری با دوز پایین ، U-Net ، یادگیری چندمقیاسی ، مکانیزم توجه ، حذف نویز تصویر