EPolar-UNet:一个边缘服务的极性UNet,用于用小数据集进行自动医疗图像细分

科学领域:

• 医疗图像分析 医学图像分析
• 用于医学成像的深度学习
• 计算机辅助诊断是一种计算机辅助的诊断.

背景情况:

• 医学图像细分对于临床诊断和分析至关重要.
• UNet及其变体广泛使用,但与高分辨率边缘信息作斗争,并需要大型数据集.
• 现有的方法在捕获精细细节方面存在局限性,这些细节对于准确的细分至关重要.

研究的目的:

• 为改善医疗图像细分提出一个边缘护理的极地UNet (EPolar-UNet).
• 解决传统UNet模型在提取高分辨率边缘信息方面的局限性.
• 开发一个模型,以较小的数据集有效执行.

主要方法:

• 对于训练,EPolar-UNet使用极地坐标系,与标准的卡特西安系有所不同.
• 在跳过连接路径中嵌入了一个边缘辅助结构.
• 该模型集成了一个八个堆叠的沙钟网络用于位置信息,以及一个边缘参与的UNet用于边界线索.

主要成果:

• 在三个不同的医学成像数据集 (多,皮肤病变,肝脏瘤) 中,EPolar-UNet表现出卓越的性能.
• 该模型与现有方法相比,取得了最先进的结果.
• 与基准UNet相比,EPolar-UNet只需要30%-60%的培训数据来实现可比性能.

结论:

• EPolar-UNet是一个有效的端到端模型,用于自动医疗图像细分.
• 拟议的模型对数据可用性有限的应用具有重大前景.
• 这种方法对于在资源有限的情况下推进医疗图像细分至关重要.