基于深度学习的肝癌患者肝功能面部图像预测模型

本文提出FusionDenoNet新型沙漏结构网络，通过多阶上下文聚合模块（Moga Block）和索贝尔注意力模块（Sobel Attention Block）实现低剂量CT（LDCT）图像去噪，在Mayo数据集上PSNR达33.6836、SSIM为0.9185，显著提升医学图像处理中结构细节保留与噪声抑制能力。

　　

亮点

• •
  提出FusionDenoNet新型沙漏结构架构，专为低剂量CT（LDCT）去噪设计，可在高分辨率特征图中高效编码判别性特征
• •
  设计基于多阶上下文聚合的FusionAggr模块，结合门控聚合机制有效提取全局与局部信息
• •
  创新索贝尔注意力模块（Sobel Attention Block），通过边缘增强信息动态调整输入，保留关键结构细节
• •
  实验表明FusionDenoNet在LDCT图像特征提取和边缘保留方面具有鲁棒性，参数效率与计算性能均优于现有先进模型（图1、图9）

局限性

尽管FusionDenoNet在多个数据集的低剂量CT（LDCT）去噪中表现优异，仍需注意以下限制：首先，模型训练依赖配对的LDCT与正常剂量CT（NDCT）数据集，而临床中因CT扫描原始数据获取困难及伦理限制难以大量获取，可能影响模型泛化能力。

结论

本文提出一种多阶上下文聚合方法，用于从噪声LDCT测量值中恢复高质量图像。FusionDenoNet模型利用沙漏架构实现新型FusionAggr模块，这些模块专门针对全局与局部图像信息提取的挑战设计。每个FusionAggr模块重点关注空间与通道维度间常被忽视的交互作用，通过跨域交互提取更全面、判别性更强的特征表征，从而提升去噪整体效能。