N-Net:一个带有双编码器的UNet架构,用于医疗图像细分
Bingtao Liang1, Chen Tang1, Wei Zhang2
1School of Electrical and Information Engineering, Tianjin University, Tianjin, 300072 China.
Signal, image and video processing
|June 26, 2023
概括
新型深度学习模型N-Net通过改进特征提取来增强医疗图像细分. 它在器官细分的准确性和细节性上优于现有的方法,如UNet++和UNet3+.
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:
- 准确的器官细分对于临床诊断和治疗计划至关重要.
- UNet及其变体 (UNet++,UNet3+) 是医学图像细分的既定模型.
- 需要在细分模型中增强特征提取.
研究的目的:
- 提出N-Net,这是一种用于医疗图像细分的新型深度学习模型.
- 改进特征提取能力,以实现更准确的器官细分.
- 将N-Net的性能与现有的最先进模型进行评估.
主要方法:
- 开发了基于UNet架构的N-Net,使用双编码器.
- 集成的挤压激发 (SE) 模块用于通道级特征提取.
- 实现了全尺寸的跳过连接,以融合低级和高级特征.
- 在肺和肝脏数据集上验证,与UNet,UNet++,UNet3+进行比较.
主要成果:
- 与UNet,UNet++和UNet3+相比,N-Net在肺部和肝脏数据集上的表现优越.
- 定量评估显示,子,回忆,精度和F1分数有所改善.
- 定性分析揭示了更连贯的器官边界和更精细的细分细节与N-Net.
结论:
- N-Net为医疗图像细分提供了增强的功能提取和集成功能.
- 拟议的双编码器和SE模块集成有助于提高细分精度.
- 在临床实践中,N-Net代表了自动化器官细分的有希望的进步.
