SC-Unext:一种轻量级的图像分割模型,具有用于乳腺超声波瘤诊断的细胞机制
Fenglin Cai1, Jiaying Wen2, Fangzhou He1
1Department of Intelligent Technology and Engineering, Chongqing University of Science and Technology, Chongqing, 401331, People's Republic of China.
Journal of imaging informatics in medicine
|February 29, 2024
概括
这项研究引入了乳房超声波图像的新型细分模型,灵感来自细胞过程. 该SC-Unext模型提高了准确性,同时降低了计算需求,使其适合医疗应用.
科学领域:
- 医学图像分析 医学图像分析
- 放射学中的深度学习
- 计算病理学计算病理学
背景情况:
- 自动乳房超声波图像分割对于医疗图像处理至关重要.
- 现有的细分方法面临着高计算复杂性和大模型参数的挑战,特别是对于复杂的图像.
研究的目的:
- 为乳房超声波图像开发一种新的,高效的细分模型.
- 为了提高细分性能,同时降低模型参数和计算成本.
主要方法:
- 该研究适应了Unext网络架构,结合了编码器-解码器功能.
- 由细胞机制启发的新型亡和分裂算法被设计和集成.
- 在模型架构中引入了空间和通道卷积块.
主要成果:
- 在BUSI数据集 (Dice分数:75.29%,准确率:97.09%) 和收集数据集 (Dice分数:90.62%,准确率:98.37%) 上,SC-Unext模型实现了高性能.
- 该模型展示了高效的推断速度 (92.72 ms/CPU上的实例) 和低资源消耗 (1.46M参数,2.13 GFlops).
结论:
- 拟议的SC-Unext模型显著改善了乳腺超声波瘤细分.
- 它的轻量级设计和效率为实际的医疗应用提供了相当大的价值,特别是在资源有限的环境中.


