HARU-Net：用于锥形束CT边缘保留去噪的混合注意力残差U-Net
核心概要
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。
深度剖析
提出HARU-Net，将三种互补架构组件整合进U-Net框架：跳跃连接中的混合注意力Transformer模块、瓶颈处的残差混合注意力Transformer组，以及残差学习卷积块。 相对既有CBCT去噪方法，该设计将注意力机制与残差学习结合，旨在选择性强调显著解剖特征并增强全局上下文建模。 基于在人类下颌骨尸体标本高分辨率CBCT数据集上的训练与评估，报告了定量指标。
HARU-Net在去噪性能上持续优于现有方法，取得最高PSNR（37.52 dB）、次高SSIM（0.9557）和最低GMSD（0.1084）。 与基于Transformer的方法相比，在保持更优去噪性能的同时计算复杂度显著更低。 定量指标来自所报告实验，但摘要未提供样本量、统计检验或完整对比细节。
该框架在噪声抑制、解剖结构保留和计算效率之间提供了有效平衡，有望用于改善低剂量CBCT图像质量并支持可靠诊断。 针对低剂量CBCT中噪声空间变化强、经典方法难以兼顾去噪与边缘保留的问题，提供了一种深度学习解决方案。 结论基于所报告实验结果，但临床部署效果尚需进一步验证。
启示与展望
该工作面向低剂量CBCT去噪，旨在抑制噪声的同时保留精细解剖结构并保持计算效率，适用于牙科和颌面影像场景。其训练数据为人类下颌骨尸体标本的高分辨率CBCT扫描，因此结果主要适用于该成像设置和类似解剖区域。
摘要未提供样本量、统计检验、完整对比方法列表或计算复杂度的具体数值，因此对性能优势的稳健性和泛化能力仍需进一步了解。此外，尸体标本数据与活体临床扫描之间的差异可能影响实际部署效果。