ConvMedSegNet:用于医疗图像细分的多受体场深度卷积神经网络
Yuxu Peng1, Xin Yi1, Dengyong Zhang1
1School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha, 410114, China.
Computers in biology and medicine
|May 17, 2024
概括
这项研究介绍了ConvMedSegNet,这是一种用于精确医疗图像细分的新型深度学习模型. 它有效地捕捉了多尺度的纹理和融合特征,以提高医学成像任务的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的医学图像细分对于诊断和治疗规划至关重要.
- 现有的方法往往难以捕捉多个尺度的特征和保存全球信息.
研究的目的:
- 开发一种新的卷积神经网络,ConvMedSegNet,用于高度精确的医疗图像细分.
- 通过整合多尺度信息和改进特征融合来增强特征表示.
主要方法:
- 拟议的ConvMedSegNet具有U形架构.
- 引入了一个多感应场深度卷积 (MRDC) 模块来捕获多尺度的纹理.
- 实现了引导融合 (GF) 模块,以实现有效的编码器-解码器功能融合.
主要成果:
- 与BUSI和ISIC2018数据集上的先进方法相比,ConvMedSegNet表现出优异的性能.
- 该MRDC模块有效地捕获了不同的纹理信息,增强了整体特征相关性.
- 该GF模块尽量减少了在多尺度特征融合过程中的关键数据损失.
结论:
- ConvMedSegNet在医疗图像细分方面取得了最先进的结果.
- 拟议的模块有效地解决了捕获多尺度特征和特征融合的局限性.
- 该模型为改善医学图像分析的精度提供了一个有前途的解决方案.
