UGLS:一种以不确定性为导向的深度学习策略,用于准确的图像细分.
Xiaoguo Yang1, Yanyan Zheng1, Chenyang Mei2
1Wenzhou People's Hospital, The Third Affiliated Hospital of Shanghai University, Wenzhou, China.
Frontiers in physiology
|April 23, 2024
概括
本研究引入了以不确定性为指导的深度学习策略 (UGLS),以提高图像细分的准确性. 这种新的方法提高了U-Net在医疗图像中对光杯和肺部区域进行细分的性能.
科学领域:
- 计算机视觉 计算机视觉
- 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.
背景情况:
- 精确的图像细分对于计算机视觉和医学诊断至关重要.
- 像U-Net这样的现有神经网络需要增强,以便在各种图像模式中精确地进行多对象细分.
研究的目的:
- 开发和验证一种新的不确定性引导深度学习策略 (UGLS),以改进图像细分.
- 为了提高U-Net架构在分割多个感兴趣的对象的性能.
主要方法:
- 开发了一个新的不确定性引导深度学习策略 (UGLS).
- 引入了一个基于U-Net.com粗细分的边界不确定性地图.
- 结合不确定性图与输入图像用于细物体细分.
主要成果:
- 获得了0.8791的平均子得分 (DS) 和0.8858的灵敏度 (SEN) 对于光杯细分.
- 从X射线图像中获得左和右肺细分的高子得分 (0.9605-0.9668).
- 与五个先进的细分网络相比,证明了优越或可比的性能.
结论:
- 该UGLS显著提高了U-Net的细分性能.
- 该方法有效地对 fundus 图像中的光杯区域和X射线图像中的肺部区域进行细分.
- UGLS提供了一种有希望的方法来提高医疗图像细分的准确性.
