浅和反向注意网络对于结肠多片细分的细分
Go-Eun Lee1, Jungchan Cho2, Sang-Ii Choi3
1Department of Computer Science and Engineering, Dankook University, Yongin, 16890, South Korea.
Scientific reports
|September 14, 2023
概括
一个新的双重注意网络,SRaNet,通过结合浅层和反向注意模块来改善结肠多片的细分. 这种方法提高了边界检测和模型可解释性,以便更好地识别多重体.
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:
- 结肠镜图像中的多体细分是困难的,因为多体和周围的粘膜之间有模糊的界限.
- 现有的基于注意力的模型通常依赖于单个注意力类型的有限信息,阻碍了表现.
研究的目的:
- 引入SRaNet,一个新的双重注意网络,用于增强结肠多片细分.
- 为了提高聚边界检测的准确性和整体细分性能.
主要方法:
- 开发了SRaNet,结合了浅注意力 (前景焦点,降噪) 和反向注意力 (背景焦点,边界澄清).
- 使用"Softmax Gate"来适应浅层和反向注意力机制的融合.
- 根据已建立的多片细分基准对SRaNet进行评估.
主要成果:
- SRaNet有效地捕捉了互补的前景和边界特征,从而更准确地预测了多边界.
- 与现有模型相比,拟议的方法在可见和不可见数据上表现出优异的性能.
- 双重注意模块显著提高了细分模型的可解释性.
结论:
- 在结肠片细分的准确性和可靠性方面,SRaNet提供了显著的进步.
- 双重注意力机制为医学图像细分中的模两可的边界挑战提供了强大的解决方案.
- 提高SRaNet的可解释性,有助于对人工智能驱动的诊断工具的信任和理解.
