多尺度背景 类似于UNet的网络,用于医疗图像细分的重新设计的跳过连接

科学领域:

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

背景情况:

• 医疗图像细分对于智能医疗助理系统至关重要.
• 类似UNet的网络,包括UNet2+和UNet3+,已经取得了成功,但存在局限性.
• UNet2+在全面的规模信息方面扎,而UNet3+在小型对象细分方面存在问题.

研究的目的:

• 提出一个新的网络拓,UNet_sharp (UNet#),以改善医疗图像细分.
• 加强多尺度特征图的整合,以更好地了解器官/损伤位置和边界.
• 为了提高细分的准确性和减少假阳性.

主要方法:

• 开发了UNet_sharp (UNet#) 通过将密集和全尺度跳过连接结合在解码器中.
• 实施了对模型修剪的深度监督,以加快测试并实现移动部署.
• 整合了两个以分类为导向的模块,以减少错误阳性和提高分段精度.

主要成果:

• 与现有的类似UNet的网络相比,UNet_sharp在Union (IoU) 和F1分数上取得了更高的交叉点.
• 在核心,脑瘤,肝脏和肺结节的语义细分任务中表现出高性能.
• 在不同任务中实现了IOU值从74.01%到95.36%,F1分数从84.77%到97.34%.

结论:

• 在UNet_sharp中重建的跳过连接有效地整合了多层次的语义信息.
• 与最先进的模型相比,UNet_sharp在定位器官和病变以及细分边界方面表现出卓越的准确性.
• 拟议的方法促进了用于临床应用的准确和高效的医疗图像细分的发展.