相关实验视频

Updated: Jul 6, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

LeaNet:用于高性能皮肤癌图像细分的轻量级U形架构

Binbin Hu¹, Pan Zhou¹, Hongfang Yu²

¹College of Electronic and Information, Southwest Minzu University, Chengdu, 610225, China; Key Laboratory of Electronic Information Engineering, Southwest Minzu University, Chengdu, 610225, China.

Computers in biology and medicine

|January 4, 2024

概括

通过有效捕捉病变边缘细节,LeanNet提供高性能,轻量级的皮肤癌细分. 这种新型网络可以提高诊断准确度,同时显著降低医疗设备的计算需求.

科学领域:

医疗成像医学成像
计算机视觉计算机视觉
人工智能的人工智能

背景情况:

准确的皮肤癌诊断严重依赖于图像细分.
由于计算能力有限,医疗设备需要轻量级算法.
现有的轻量级模型难以捕捉完整的损伤边缘信息,导致像素损失.

研究的目的:

开发一种高性能,轻量级的皮肤癌图像细分网络.
解决当前模型在捕获损伤边缘的本地和全球特征信息方面的局限性.
在资源有限的医疗器械上提高皮肤癌细分的准确性和效率.

主要方法:

提出了LeaNet,一个新的U形网络,包含多个注意力块.
使用扩展有效通道注意力 (DECA) 模块来提供全球/本地轮信息.
实现了反向外部注意 (IEA) 模块,用于增强数据样本相关性,以及用于多层次特征提取的注意桥 (AB).

主要成果:

与大型和轻量级模型相比,LeaNet在ISIC2017和ISIC2018数据集上表现优异.
在准确性 (ACC),敏感性 (SEN) 和特异性 (SPEC) 度量方面取得了改进.
显著减少模型参数数量和计算复杂性,优于现有方法.

结论:

莉亚网为皮肤癌图像细分提供了高效和高效的解决方案.
该网络的设计克服了在轻型模型中捕捉损伤边缘细节的局限性.
利亚网适合在具有有限计算资源的医疗设备上部署,增强诊断能力.

关键词:

高性能图像细分系统的高性能图像细分系统在 LeaNet 找网络轻量级神经网络是一种轻量级的神经网络.皮肤癌的诊断皮肤癌的诊断

更多相关视频

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment

Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment

Published on: June 3, 2022

相关概念视频