GMAlignNet:多尺度轻量级脑瘤图像细分,增强语义信息一致性
Jianli Song1, Xiaoqi Lu1,2, Yu Gu1
1Inner Mongolia Key Laboratory of Pattern Recognition and Intelligent Image Processing, School of Digital and Intelligent Industry, Inner Mongolia University of Science and Technology, Baotou 014010, People's Republic of China.
Physics in medicine and biology
|April 24, 2024
概括
GMAlignNet通过使用幽灵卷积和特征对齐单元来改善脑瘤细分,以捕获多尺度信息并纠正错位. 这种轻量级模型在BraTS数据集上实现了高精度,提高了边缘细节识别.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- U-Net架构是大脑瘤细分的标准,但由于重复卷曲和采样而遭受信息丢失和特征错位.
- 传统的卷积块很难捕捉到精确的脑瘤细分所必需的多尺度信息.
研究的目的:
- 提出GMAlignNet,一种新的多尺度特征对齐细分模型,以解决脑瘤细分中的信息丢失和特征不对齐问题.
- 通过高效的操作,增强捕获多个规模的上下文信息,提高细分精度.
主要方法:
- 在编码和解码路径中使用了Ghost卷积,Ghost等级解的融合单元和Ghost等级解的单元,取代了标准卷积.
- 引入了一个特征对齐单元,以使用语义信息流来指导上方样本的特征恢复,纠正像素级别的错位.
- 优化现有网络 (DMFNet,HDCNet,3D UNet) 使用拟议的方法来验证其有效性.
主要成果:
- 在BraTS 2018数据集上,GMAlignNet实现了81.65% (增强瘤),90.07% (整个瘤) 和85.16% (瘤核心) 的Dice系数.
- 该模型仅具有0.29M参数和26.88G FLOP的计算效率,表明了轻量级的设计.
- 在2018年,2019年和2020年的BraTS数据集中进行的实验显示,边缘细节和轮识别的处理得到了改进.
结论:
- 通过利用幽灵卷曲和特征对齐,GMAlignNet有效地解决了U-Net架构在脑瘤细分方面的局限性.
- 拟议的模型提供了一个计算高效和轻量级的解决方案,在捕获多尺度特征和完善细分边界方面具有卓越的性能.
