通过GridMask (EUGNet) 增强的U-Net:用于机器人外科工具细分的新方法
Mostafa Daneshgar Rahbar1, Seyed Ziae Mousavi Mojab2
1Department of Electrical and Computer Engineering, Lawrence Technological University, Southfield, MI 48075, USA.
Journal of imaging
|December 22, 2023
概括
增强的U-Net与GridMask (EUGNet) 提高了医疗图像细分的准确性和稳定性. 这种新的方法显著提高了推断速度,这对于实时机器人手术应用至关重要.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医疗图像分割中的U-Net架构局限性.
- 需要在机器人手术中进行强大的细分.
研究的目的:
- 引入GridMask (EUGNet) 的增强U-Net,以改善医疗图像细分.
- 使用GridMask增强解决U-Net的局限性.
主要方法:
- 整合了GridMask增强功能,用于像素操纵.
- 深度上下文编码器,剩余连接,类平衡损失,自适应特征融合.
- 对机器人手术场景和仪器的数据集进行评估.
主要成果:
- 在前景细分中,平衡精度增加了1.6%.
- 交叉路口对欧盟 (IoU) 的1.7%的改善.
- 平均子相似系数 (DSC) 提高了1.7%.
- 推断速度从0.163ms减少到0.097ms.
结论:
- 欧盟医疗成像网络 (EUGNet) 提高了医疗成像中的细分精度和稳定性.
- GridMask增强可以提高适应性,以应对遮和局部特征.
- 对实时应用的准确度指标和推断速度进行了显著改进.
