DM-CNN:动态多尺度卷积神经网络,用于医学图像分类的不确定性量化.

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 深度学习用于诊断.

背景情况:

• 卷积神经网络 (CNN) 已经推进了医学图像诊断.
• 现有的CNN经常受到有限的特征信息,不准确的注意力权重和缺乏预测不确定性量化的困扰.
• 解决这些局限性对于可靠的医疗AI至关重要.

研究的目的:

• 提出一种新的卷积神经网络 (CNN) 模型,DM-CNN,旨在克服医学图像分析的局限性.
• 提高特征提取能力,在深度学习模型中准确量化预测不确定性.
• 在各种医学成像任务中实现最先进的性能.

主要方法:

• 开发了DM-CNN,结合了四个新的模块:动态多级特征融合 (DMFF),层次动态不确定性量化注意力 (HDUQ-Attention),多级融合聚合 (MF聚合) 和多目标损失 (MO损失).
• 通过使用自适应卷积内核,DMFF融合了多尺度的特征.
• HDUQ-Attention集成了注意调和蒙特卡洛 (MC) 脱落以量化不确定性.
• 多元金融聚合优化了多个规模的信息处理,并防止了过度匹配.
• MO损失解决了参数差异,以实现高效的优化.

主要成果:

• 在皮肤病学,组织病理学,呼吸学和眼科医学的公开数据集上,DM-CNN实现了最先进的分类性能.
• 该模型展示了优越的特征提取和有效的不确定性量化.
• 实验结果验证了拟议的模块和整体DM-CNN架构的有效性.

结论:

• 通过改善特征表示和提供关键的不确定性量化,DM-CNN在医学图像分析中取得了重大进展.
• 该模型在处理不确定性时保持出色的性能的能力使其在临床应用中非常有价值.
• 对于具有挑战性的医学深度学习任务,DM-CNN代表了一个强大的解决方案,提高了诊断可靠性.