典型文献
基于CNN和Transformer耦合网络的低剂量CT图像重建方法
文献摘要：
在投影角度个数不变的情况下,降低每个角度下的射线剂量,是一种有效的低剂量CT实现方式,然而,这会使得重建图像的噪声较大.当前,以卷积神经网络(CNN)为代表的深度学习图像去噪方法已经成为低剂量CT图像去噪的经典方法.受Transformer在计算机视觉任务中展现的良好性能的启发,本文提出一种CNN和Transformer耦合的网络(CTC),以进一步提高CT图像去噪的性能.CTC网络综合运用CNN的局部信息关联能力和Transformer的全局信息捕捉能力,构建8个由CNN部件和一种改进的Transformer部件构成的核心网络块,并基于残差连接机制和信息复用机制将之互联.与现有4种去噪网络比较,CTC网络去噪能力更强,可以实现高精度低剂量CT图像重建.
文献关键词：
低剂量CT;自注意力机制;卷积神经网络;残差连接
中图分类号：
作者姓名：
乔一瑜;乔志伟
作者机构：
山西大学计算机与信息技术学院,太原030006
文献出处：
引用格式：
[1]乔一瑜;乔志伟-.基于CNN和Transformer耦合网络的低剂量CT图像重建方法)[J].CT理论与应用研究,2022(06):697-707
A类：
B类：
Transformer,耦合网络,图像重建,重建方法,实现方式,重建图像,图像去噪方法,经典方法,计算机视觉,视觉任务,好性,CTC,网络综合,局部信息,信息关联,关联能,全局信息,捕捉能力,核心网络,残差连接,连接机制,复用,去噪网络,网络比较,自注意力机制
AB值：
0.365035
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
