LDMRes-Net:一种轻量级的神经网络,用于在物联网和边缘设备上高效的医疗图像细分

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 传统的U-Net模型在物联网和边缘平台上的实时医疗图像细分需求中扎.
• 挑战包括临床应用中的速度,效率和资源限制,如疾病监测和图像引导手术.

研究的目的:

• 介绍LDMRes-Net,一个轻量级的双重多尺度残余基于区块的卷积神经网络.
• 解决现有模型的局限性,以在资源有限的设备上高效地进行医疗图像细分.

主要方法:

• 开发了一种新的双重多尺度残留块架构,用于在多个尺度上精细的特征提取.
• 优化过器选择以最大限度地减少重叠,减少训练时间,提高计算效率.
• 评估了LDMRes-Net对血管和硬排泄物视网膜图像细分的评估.

主要成果:

• LDMRes-Net表现出非常低的参数数量 (0.072 M),非常适合边缘计算.
• 在眼科应用中实现了高分段精度,稳定性和通用性.
• 与传统模型相比,显示了速度和计算效率的显著改进.

结论:

• 在物联网和边缘平台上,LDMRes-Net提供了一个高效的解决方案,用于准确和快速的医疗图像细分.
• 该模型的性能有望在资源有限的环境中实时进行医学图像分析.
• 通过先进的,可访问的诊断工具,促进改善医疗保健结果.