Red de aprendizaje profundo mejorada de dos ramas para el reconocimiento de imágenes hiperespectrales in vivo de...

Área de la Ciencia:

• Imágenes biomédicas
• Aprendizaje automático en la salud
• Análisis espectroscópico

Sus antecedentes:

• Las imágenes hiperespectrales (HSI) capturan datos espectrales ricos, ofreciendo un potencial avanzado en la investigación biomédica.
• La identificación precisa de órganos y tejidos es crucial para el diagnóstico y la investigación.
• Los métodos existentes pueden tener dificultades con los detalles complejos de los límites y la extracción de información regional.

Objetivo del estudio:

• Desarrollar una red mejorada de dos ramas para el reconocimiento de imágenes hiperespectrales.
• Integrar redes de convolución de gráficos (GCN) y transformadores para una mejor extracción de características.
• Validar la eficacia del modelo en la identificación de órganos y tejidos.

Principales métodos:

• Desarrolló una nueva red de dos ramas que integra GCN para información regional y transformadores para dependencias de largo alcance.
• Módulos de mejora de características incorporados para aumentar el rendimiento del modelo.
• Se ha validado el modelo en un conjunto de datos públicos de cerdos y en imágenes hiperespectrales de peces cebra in vivo.

Principales resultados:

• El modelo demostró una mayor precisión en el reconocimiento de estructuras de órganos y tejidos.
• Se lograron límites claros y continuos en la identificación.
• Se demostró que los módulos de mejora de características mejoran la eficiencia del modelo a través del análisis comparativo.

Conclusiones:

• La red de transformadores GCN propuesta mejora efectivamente el reconocimiento de imágenes hiperespectrales para aplicaciones biomédicas.
• El modelo alcanza una precisión superior en la delineación de los límites de órganos y tejidos.
• Esta tecnología es prometedora para el diagnóstico in vivo y la investigación utilizando imágenes hiperespectrales.