SALW-Net:一个基于自调整损失函数的轻量级卷积神经网络,用于脊柱MR图像分割

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:

• 在脊椎MRI中,脊椎间盘和脊椎的精确细分对于诊断腰椎椎间盘的诊断至关重要.
• 卷积神经网络 (CNN) 对于细分是有效的,但往往需要高计算资源.
• 对于具有有限计算能力的医疗环境而言,需要轻量级的CNN,但脊柱MRI中的像素分布不平衡会带来细分挑战.

研究的目的:

• 提出一个轻量级的CNN,SALW-Net,以改善脊柱图像细分.
• 为了解决脊柱MRI图像中像素分布不平衡造成的亚最佳分段结果.
• 开发具有自我调整损失功能的CNN,以增强从不平衡的像素数据中学习.

主要方法:

• 开发了SALW-Net,一个轻量级的CNN,包含一个自我调整的损失功能.
• 自调节损失功能在训练期间动态修改损失重量,以改善不平衡像素的细分.
• 在两个不同的脊椎MRI数据集上对SALW-Net进行了评估.

主要成果:

• 与U-net相比,SALW-Net表现出优越的细分性能,实现了更高的平均子相似系数 (DSC) 得分 (0.8781比0.8482).
• 与U-net相比,SALW-Net只使用了2%的参数,突出了其轻量级的性质.
• 目前正在进行实用性验证,包括在轻量级设备上部署和集成到辅助诊断算法中.

结论:

• SALW-Net 为脊柱图像细分提供了一个计算高效和有效的解决方案.
• 提出的自调节损失功能成功地提高了模型处理不平衡像素数据的能力.
• SALW-Net 显示了腰椎间盘的辅助诊断的显著临床潜力,特别是在低计算能力的场景中.