基于改进的DeepLabV3的轻量级结肠多细分算法

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:

• 目前的多胞体细分模型往往很复杂,缺乏足够的准确性.
• 提高聚细分的效率和精度对于早期疾病检测至关重要.

研究的目的:

• 为了提出一个轻量级和准确的聚细分网络,Li-DeepLabV3+.
• 增强特征表示和融合,以提高细分性能.
• 在不同的数据集中验证模型的概括能力.

主要方法:

• 利用优化的MobileNetV2作为减少模型复杂性的骨干.
• 实施了改进的简单金字塔聚合模块,以取代Atrous空间金字塔聚合,提高培训效率和降低参数.
• 采用了改进的统一注意力融合模块,用于将低级和高级特征与通道和空间注意力融合在一起,以丰富边界信息.

主要成果:

• 与现有方法相比,Li-DeepLabV3+模型显示出更高的细分精度.
• 拟议的模型实现了细分速度的显著改进,表明效率提高.
• 对CVC-ClinicDB和Kvasir SEG数据集的验证证实了该模型的概括能力.

结论:

• Li-DeepLabV3+提供了一个轻量级和有效的解决方案,用于聚合物细分.
• 该模型的架构成功地平衡了细分精度和计算效率.
• 增强的特征融合机制有助于改善在聚细分中的边界信息捕获.