RFPNet:重组功能金字塔网络,用于医疗图像细分
Zhendong Wang1, Jiehua Zhu2, Shujun Fu1
1School of Mathematics, Shandong University, China.
Computers in biology and medicine
|June 15, 2023
概括
重组特征金字塔网络 (RFPNet) 提高了医疗图像细分的准确性. 这种新的方法改善了临床数据集中的病变细分,优于现有方法.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的医学图像细分对于临床治疗规划至关重要.
- 挑战包括数据获取困难和病变组织异质性.
- 现有的方法难以实现自动和精确的细分.
研究的目的:
- 提出一个新的网络,重组特征金字塔网络 (RFPNet),以改善医疗图像细分.
- 在各种临床场景中解决自动和准确细分的挑战.
- 使用级联稀释编码解码模块 (TEDM) 在各种规模和层次上构建语义特征.
主要方法:
- RFPNet包括基本特征构建,特征金字塔重组和多分支特征解码模块.
- TEDM 交替级联,以构建多层次的语义特征.
- 该网络重新组织多层次功能,并重新校准功能通道.
主要成果:
- 在多个数据集 (ISIC2018, LUNA2016, RIM-ONE-r1, CHAOS) 中,RFPNet获得了高的子得分 (例如ISIC2018上90.47%) 和Jaccard得分 (例如ISIC2018上83.95%).
- 与经典和最先进的细分技术相比,提出的方法显示出更高的性能.
- 视觉结果证实了RFPNet在临床图像中细分目标区域的卓越能力.
结论:
- RFPNet为准确的医疗图像细分提供了强大的解决方案.
- 网络的架构有效地处理多层次的特征表示和集成.
- 对于需要精确的图像细分的临床应用,RFPNet具有显著的潜力.
