WRANet:波形集成残留注意力U-Net网络用于医疗图像细分的网络
Yawu Zhao1, Shudong Wang1, Yulin Zhang2
1School of Computer Science and Technology, China University of Petroleum, Qingdao, Shandong China.
Complex & intelligent systems
|June 26, 2023
概括
本研究介绍了波形残留注意网络 (WRANet),用于强大的医疗图像细分. WRANet有效地降低了噪音,并提高了对动脉瘤和多等疾病的细分精度.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
背景情况:
- 深度卷积神经网络 (CNN) 在医学图像细分方面表现出色,但易受噪音和训练不稳定的影响.
- 噪音干扰可以显著降低CNN的性能,更深的网络面临梯度问题.
研究的目的:
- 提高医疗图像深度学习模型的稳定性和细分性能.
- 为了解决医疗图像分割的CNN中的噪声易感性和梯度问题.
主要方法:
- 拟议的波形残留注意网络 (WRANet) 用于医疗图像细分.
- 用离散波段变换取代标准下方采样,以分解特征并消除高频噪声.
- 集成了一个注意力机制,以减轻功能损失.
主要成果:
- 在动脉瘤细分方面获得了78.99%的子得分,在聚合体细分方面获得了88.89%的子得分.
- 与最先进的技术相比,已证明具有竞争力的性能.
- WRANet有效地降低了噪音,并提高了细分精度.
结论:
- WRANet为医疗图像细分提供了强大而有效的解决方案.
- 拟议的方法在准确性和抗噪力方面取得了显著的改进.
- WRANet是医疗图像细分任务的竞争性替代方案.
