一个立体空间脱网络用于医学图像分类
Hongfeng You1, Long Yu2, Shengwei Tian3
1School of Information Science and Engineering, Xinjiang University, Urumqi, 830000 China.
Complex & intelligent systems
|June 26, 2023
概括
本研究引入了一个立体空间脱网络 (TSDNets),通过有效捕获多维空间细节和减少特征冗余来改善医疗图像分类. 通过利用注意力机制和特征选策略,TSDNets的表现优于现有模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深层卷积神经网络 (CNN) 在医学图像分类方面表现有前途,但在空间关联和特征冗余方面存在困难.
- 现有的方法经常提取类似的低层特征,限制它们捕获全面空间信息的能力.
研究的目的:
- 提出一种新的立体空间脱网络 (TSDNets),用于增强医疗图像分类.
- 解决CNN在建立有效的空间关联和管理特征冗余方面的局限性.
主要方法:
- TSDNets利用医疗图像中的多维空间细节.
- 使用注意力机制从水平,垂直和深度方向提取分辨特征.
- 交叉特征选策略,包括交叉特征选模块 (CFSM) 和语义引导解模块 (SGDM),用于建模多维空间关系和对特征进行分类.
主要成果:
- TSDNets有效地捕获多维空间细节,并减少了信息冗余.
- 拟议的网络通过建模复杂的空间关系来展示优越的特征表示能力.
- 在多个开源数据集上进行了广泛的实验,证实了TSDNets在医疗图像分类中超越了当前最先进的模型.
结论:
- 通过有效解决空间关联和特征冗余挑战,TSDNets在医学图像分类方面取得了重大进展.
- 该网络能够利用多维空间细节,并采用基于注意力的特征提取,从而提高性能.
- TSDNets代表了一种有前途的方法,可以提高自动化医疗图像分析的准确性和效率.
