基于深度学习技术的CT医学图像细分算法.
Tongping Shen1,2, Fangliang Huang1, Xusong Zhang2
1School of Information Engineering, Anhui University of Chinese Medicine, Hefei, 230012, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
这项研究引入了一种改进的深度神经网络,用于医学图像细分,提高复杂病变的准确性. 这种新的方法有效地解决了医疗成像中模糊边缘和噪音干扰等挑战.
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:
- 医学图像细分面临的挑战包括模糊边缘,不均的背景和噪音.
- 准确的细分对于诊断和监测各种疾病至关重要.
研究的目的:
- 使用深度神经网络技术开发强大的医疗图像细分算法.
- 为了提高复杂的病变和具有挑战性的图像工件的细分精度.
主要方法:
- 使用了一个具有类似U-Net编码器-解码器结构的深度神经网络.
- 剩余和卷积结构被用于特征提取.
- 一个注意力机制模块被集成到网络跳转连接中,以增强空间感知和减少道冗余.
主要成果:
- 拟议的模型在多个数据集 (DRIVE,ISIC2018,COVID-19 CT) 中实现了高性能.
- 显示的子分数分别为0.7826,0.8904和0.8069,而 IOU分数分别为0.9683,0.9537和0.9462.
- 显著提高了复杂的病变形状和粘附的医疗图像的细分精度.
结论:
- 开发的深度神经网络算法有效地增强了医疗图像细分.
- 注意力机制的整合改善了处理复杂的病变和噪音数据的情况.
- 该模型对需要精确医疗图像分析的临床应用非常有希望.
