U-MLP:基于MLP的超轻精细化网络用于医疗图像细分
Shuo Gao1, Wenhui Yang1, Menglei Xu1
1Lab for Bone Metabolism, Xi'an Key Laboratory of Special Medicine and Health Engineering, Key Lab for Space Biosciences and Biotechnology, Research Center for Special Medicine and Health Systems Engineering, NPU-UAB Joint Laboratory for Bone Metabolism, School of Life Sciences, Northwestern Polytechnical University, Xi'an, Shaanxi, China.
Computers in biology and medicine
|September 13, 2023
概括
一个新的基于U-Net的多层感知器 (MLP) 网络,U-MLP,在医疗图像细分方面实现了更高的准确性,比CNN和变压器更少的参数. 它在细分皮肤病变,脏和左前庭方面表现出色.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
- 为医疗保健提供深度学习.
背景情况:
- 卷积神经网络 (CNN) 和变压器在医疗AI中至关重要,但具有局限性.
- 网络电视与远程依赖性作斗争,而变形金刚则面临着计算复杂性和参数挑战.
- 基于多层感知器 (MLP) 的网络提供了一个有希望的替代方案,在减少计算负载的情况下实现高精度.
研究的目的:
- 引入U-MLP,一个利用ReMLP块进行增强医疗图像细分的编码解码器网络.
- 解决医疗图像处理中现有的CNN和变压器模型的局限性.
- 提高计算机辅助诊断和智能医学应用的准确性和效率.
主要方法:
- 开发了U-MLP,一个使用ReMLP块的编码解码器网络.
- ReMLP块集成了一个重叠的滑动窗口用于局部特征提取和一个多头门自动注意 (MGSA) 模块用于多维信息融合.
- 整合了模块Vague Region Refinement (VRRE) 模块,通过改进基于特征近距离的像素分类来增强模型概括性.
主要成果:
- 在医学图像细分任务中,U-MLP表现出卓越的性能.
- 在基准数据集上,皮肤病变的比率为88.27%,脏的比率为97.61%,左前庭细分的比率为95.91%.
- 在评估的细分任务中超越了7种最先进的方法.
结论:
- 与传统的CNN和变压器相比,U-MLP提供了一种更有效,更准确的医疗图像细分方法.
- 拟议的架构有效地捕获了本地和上下文的语义信息,从而提高了细分性能.
- U-MLP显示了计算机辅助诊断和智能医学的重大潜力.
