DeepPyramid+:使用金字塔视图融合和可变形金字塔接收进行医学图像细分
Negin Ghamsarian1, Sebastian Wolf2, Martin Zinkernagel2
1ARTORG Center for Biomedical Engineering Research, University of Bern, Bern, Switzerland. negin.ghamsarian@unibe.ch.
International journal of computer assisted radiology and surgery
|January 8, 2024
概括
DeepPyramid+ 通过使用新的融合和可变形卷积模块来增强医疗图像和外科视频细分. 这种强大的网络在各种数据集和模式中实现了显著的性能提升.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 语义细分对于医学图像和视频分析至关重要.
- 挑战包括类异质性,可变形性和图像扭曲.
- 现有的神经网络与各种医学成像特征作斗争.
研究的目的:
- 提出DeepPyramid+,一种新的神经网络架构.
- 解决医疗图像和手术视频细分方面的挑战.
- 提高细分的准确性和稳定性.
主要方法:
- 将"金字塔视图融合" (PVF) 纳入,以增强相对信息表示.
- 使用"可变形金字塔接收" (DPR) 扩展可变形卷曲以进行适应性特征提取.
- PVF模仿了人类视觉系统的演过程.
主要成果:
- DeepPyramid+在各种数据集 (子宫内膜异位症,MRI,OCT,白内障,腹腔镜) 上显示出有效性.
- 成功处理形状/尺度变化,反射和模糊.
- 在域内和跨域细分方面实现了高达3.65%和17%的子系数增加.
结论:
- DeepPyramid+在各种模式和骨干中表现优于最先进的网络.
- 为医疗图像和外科视频细分提供了多功能和有效的解决方案.
- 在计算机化医学分析应用中提高精度.
