基于高阶相互作用和样本分布再平衡的肝纤维化MRI图像的分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 肝纤维化MRI图像存在挑战,因为碎片式的断片特征和差的相互连接性,导致不完整的学习和低准确性.
• 图像质量进一步受到光散射,量子噪声以及MRI采集期间呼吸等工件的损害.

研究的目的:

• 为了提高MRI图像中肝纤维化的识别精度.
• 通过使用先进的深度学习技术,增强特征学习和更有效地捕获样本特征.

主要方法:

• 在ResNet18网络中实现递归封闭卷积,以捕获更高阶空间信息交互.
• 引入了自适应再平衡损失函数,以扩大类间距离和缩小类内差异.
• 将特征范式作为可学习的适应性属性纳入角度边缘辅助函数.

主要成果:

• 与标准ResNet18相比,拟议的方法在识别准确度上平均有2%的改进.
• 增强了功能之间的相关性,并改善了对全球图像解释的像素级依赖性的关注.
• 适应性再平衡损失函数有效地提高了模型的辨别能力.

结论:

• 递归封闭卷积和自适应再平衡损失功能的集成显著提高了肝纤维化MR图像分类.
• 开发的模型提供了一个更强大,更准确的方法来分析MRI图像的肝纤维化,解决现有方法的局限性.