通过高频和低频指导网络进行多类伤口分类.
Xiuwen Guo1,2, Weichao Yi1,2, Liquan Dong1,2,3
1School of Optics and Photonics, Beijing Institute of Technology, Beijing 100081, China.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
一个新的高频和低频指导网络 (HLG-Net) 提高了多类伤口图像分类的准确性. 这种深度学习方法有效地区分伤口类型,优于医疗人工智能系统的现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 在伤口图像分类方面表现有前途.
- 由于现有的CNN的图像复杂性和特征提取限制,对多种伤口类型的分类仍然具有挑战性.
研究的目的:
- 开发一种先进的深度学习模型,用于准确的多类伤口图像分类.
- 通过分离高频和低频组件来解决特征提取中的信息丢失问题.
主要方法:
- 提出了高频和低频指导网络 (HLG-Net) 的两个分支:高频网络 (HF-Net) 和低频网络 (LF-Net).
- 使用HF-Net的预训练ResNet和Res2Net来捕获高频细节.
- 采用LF-Net的多流扩展卷积余块 (MSDCRB) 来提取低频信息.
- 集成了一个融合模块,将两个分支的特征结合起来进行最终分类.
主要成果:
- HLG-Net实现了98.00% (2级),92.11% (3级) 和82.61% (4级) 伤口图像分类的最大精度.
- 提出的方法显著超过了以前的最先进的技术.
结论:
- HLG-Net为多类伤口图像分类提供了一种卓越的方法.
- 该网络能够有效处理高频和低频特征,从而提高智能医疗系统的分类准确性.
