LMU-Net:用于医疗图像细分的轻量级U形网络

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:

• 深度学习模型是复杂的,由于数据集大小和实时需求,限制了它们在医疗图像细分中的使用.
• 现有的方法在医疗图像处理中与准确性和计算效率作斗争.

研究的目的:

• 引入一种新的,轻量级的LMU-Net架构,用于增强医疗图像细分.
• 为了提高细分精度,同时降低计算复杂性和参数数量.

主要方法:

• 开发了LMU-Net,在编码器/解码器中结合了多层感知子 (MLP) 和深度可分离的卷积.
• 集成了一个轻量级的通道注意力机制和更大的内核卷积.
• 使用可互换批量规范化 (BN) 和组规范化 (GN) 来最大限度地减少估计转移.

主要成果:

• 与现有架构相比,LMU-Net表现出优越的细分性能.
• 通过显著减少可训练参数数量,实现了更高的准确性.
• 在ISIC和BUSI数据集上的实验验证证证了网络的有效性.

结论:

• 拟议的LMU-Net为医疗图像细分提供了一个计算效率高,准确的解决方案.
• 这种轻量级架构解决了临床应用中复杂的深度学习模型的局限性.
• 对于精确的医学图像分析,LMU-Net是一个有前途的进步.