QGD-Net:一种轻量级模型,使用特征层中的亲和像素来对皮肤镜损伤细分

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 具有位置亲和性的像素包含类似的语义信息,这对模型性能至关重要.
• 现有的群体和扩展卷积在利用这些层间或层内部的亲和关系方面存在局限性.
• 解决这些局限性是推动图像分析深度学习的关键.

研究的目的:

• 开发新的卷积方法,有效地利用层间和层内部的位置亲和像素.
• 引入四子组卷积和一个四子牙波形扩展卷积模块 (QS模块).
• 设计和评估四次数组扩展中性网络 (QGD-Net),以提高细分精度.

主要方法:

• 拟议的四子组卷积来增强通道间的通信,并利用亲和关系.
• 开发了QS模块,使用四次离子卷积与牙波形扩张速率用于扩展受体场.
• 将这些组件集成到四子组扩展中性网络 (QGD-Net) 中.

主要成果:

• 与现有方法相比,QGD-Net显著减少了模型参数.
• 提出的方法极大地促进了ISIC数据集上的皮肤镜损伤细分的精度.
• 在视网膜血管细分任务中证明了概括性.

结论:

• 新型基于四次数的卷积方法有效地利用位置亲和度像素.
• QGD-Net为医疗图像细分提供了一个参数高效和高精度的解决方案.
• 该方法在各种生物医学图像分析应用中显示出前景.