MCNMF-Unet:一个混合的Conv-MLP网络,具有多尺度的功能,用于医疗图像细分的融合Unet
Lei Yuan1, Jianhua Song1, Yazhuo Fan1
1Key Laboratory of Light Field Manipulation and System Integration Applications in Fujian Province, School of Physics and Information Engineering, Minnan Normal University, Zhangzhou, Fujian, China.
PeerJ. Computer science
|January 23, 2024
概括
本研究介绍了MCNMF-Unet,这是一种用于医学图像细分的新型深度学习模型. 它增强了特征融合和本地化,以高精度超越现有方法.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 视觉变压器 (ViT) 和多层感知器 (MLP) 在医疗图像细分中很常见,但在特征融合和本地化方面存在困难.
- 在当前模型中,编码和解码阶段之间存在语义差距.
研究的目的:
- 提出MCNMF-Unet,一个新的U形网络,用于改进医疗图像细分.
- 增强跨不同网络层面的功能融合,并纳入灵活的本地化信息.
主要方法:
- 开发了MCNMF-Unet,这是用于医疗图像细分的混合卷积和MLP网络.
- 实现多层融合和多尺度特征地图跳过连接,以改善信息利用和减轻梯度消失.
- 引入了多轴和多窗口的MLP模块,以高效地融合多维信息,减少参数和计算复杂性.
主要成果:
- 与现有网络相比,在BUSI,ISIC2018和CVC-ClinicDB数据集上实现了卓越的性能.
- 获得了84.04%的交叉路口和91.18%的F1得分.
结论:
- MCNMF-Unet有效地解决了医疗图像细分中的特征融合和本地化限制.
- 拟议的模型显示了细分精度和效率的显著改进.
