Biomedical physics & engineering express 2026年9月17日该研究提出HARU-Net，一种混合注意力残差U-Net，在人类下颌骨尸体标本的高分辨率锥形束CT（CBCT）数据上训练，用于低剂量CBCT去噪；其架构在每条跳跃连接中嵌入混合注意力Transformer模块、在瓶颈处设置残差混合注意力Transformer组、并使用残差学习卷积块，报告达到最高峰值信噪比37.52 dB、次高SSIM 0.9557和最低GMSD 0.1084，同时相比基于Transformer的方法计算复杂度显著更低。该研究提出HARU-Net，一种混合注意力残差U-Net，在人类下颌骨尸体标本的高分辨率锥形束CT（CBCT）数据上训练，用于低剂量CBCT去噪；其架构在每条跳跃连接中嵌入混合注意力Transformer模块、在瓶颈处设置残差混合注意力Transformer组、并使用残差学习卷积块，报告达到最高峰值信噪比37.52 dB、次高SSIM 0.9557和最低GMSD 0.1084，同时相比基于Transformer的方法计算复杂度显著更低。HARU-Net：用于锥形束CT边缘保留去噪的混合注意力残差U-Net该研究提出HARU-Net，一种混合注意力残差U-Net，在人类下颌骨尸体标本的高分辨率锥形束CT（CBCT）数据上训练，用于低剂量CBCT去噪；其架构在每条跳跃连接中嵌入混合注意力Transformer模块、在瓶颈处设置残差混合注意力Transformer组、并使用残差学习卷积块，报告达到最高峰值信噪比37.52 dB、次高SSIM 0.9557和最低GMSD 0.1084，同时相比基于Transformer的方法计算复杂度显著更低。该研究提出HARU-Net，一种混合注意力残差U-Net，在人类下颌骨尸体标本的高分辨率锥形束CT（CBCT）数据上训练，用于低剂量CBCT去噪；其架构在每条跳跃连接中嵌入混合注意力Transformer模块、在瓶颈处设置残差混合注意力Transformer组、并使用残差学习卷积块，报告达到最高峰值信噪比37.52 dB、次高SSIM 0.9557和最低GMSD 0.1084，同时相比基于Transformer的方法计算复杂度显著更低。