深度Upscale U-Net用于自动舌头细分
Worapan Kusakunniran1, Thanandon Imaromkul2, Sophon Mongkolluksamee3
1Faculty of Information and Communication Technology, Mahidol University, 999 Phuttamonthon 4 Road, Salaya, 73170, Nakhon Pathom, Thailand. worapan.kun@mahidol.edu.
Medical & biological engineering & computing
|February 19, 2024
概括
这项研究引入了深度高级U-Net (DU-UNET),用于精确的舌头细分,这对于诊断口腔癌至关重要. 通过减少功能损失,DU-UNET在U-Net上进行了改进,在现实世界的舌头图像分析中实现了高精度.
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:
- 准确的舌头运动分析对于诊断口腔和口腔癌至关重要.
- 自动舌头细分是测量舌头运动的先决条件.
- 现有的U-Net模型在更深层的网络层中可能会出现功能损失.
研究的目的:
- 提出一个改进的U-Net架构,称为Deep Upscale U-Net (DU-UNET),用于增强语言细分.
- 为了应对细分网络中深层卷积层中特征损失的挑战.
- 开发一个强大的舌头细分模型,适用于现实世界,远程成像场景.
主要方法:
- 实现了一个新的深度UpscaleU-Net (DU-UNET) 架构.
- 包括从收缩路径到膨胀路径的上层特征地图的额外上方采样.
- 在公开可用的数据集和自己收集的五种姿势的舌头图像数据集上训练了DU-UNET模型.
主要成果:
- 与现有方法相比,DU-UNET模型取得了更高的性能.
- 实现了99.2%的准确性.
- 获得了97.8%的平均交叉与联盟 (IoU),96.8%的子得分和96.8%的Jaccard得分.
结论:
- 在深层卷积层中,DU-UNET有效地克服了功能丢失问题.
- 拟议的模型在现实条件下对舌头细分具有高准确性和稳定性.
- 在口腔癌检测方面,DU-UNET显示了改善诊断工具的巨大潜力.
