MADR-Net:用于医疗图像细分的多层次注意力扩展残留神经网络
Keerthiveena Balraj1, Manojkumar Ramteke1,2, Shachi Mittal3
1Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi, Hauz Khas, New Delhi, 110016, India.
Scientific reports
|June 3, 2024
概括
一个新的深度学习框架,MADR-Net,提高了医疗图像细分性能. 这种新架构显著提高了在各种医学成像任务中识别解剖结构和病理区域的准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 为医疗保健提供深度学习.
- 计算病理学计算病理学
背景情况:
- 卷积神经网络在医疗图像细分中对于医疗保健至关重要.
- 现有的CNN在准确细分复杂的解剖和病理结构方面存在局限性.
- 准确的细分对于诊断,治疗计划和疾病监测至关重要.
研究的目的:
- 引入一个新的深度学习框架,MADR-Net,用于高性能2D医疗图像细分.
- 提高医学图像中的病理结构细分的准确性和可靠性.
- 为交叉数据集和各种细分任务提供强大的基准.
主要方法:
- 开发了一种新的深度学习架构,MADR-Net,其中包括一个U-Net骨干,具有多级别的剩余块和形金字塔场景解析聚合.
- 集成的通道空间注意力块在跳过连接中捕捉全球和本地特征.
- 采用混合损失函数,具有优越的收特性,以改善细分结果.
主要成果:
- 与U-Net,残余U-Net和注意力U-Net等最先进的方法相比,MADR-Net表现出了显著的改进.
- 与U-Net相比,在子系数方面取得了5.43% (电子显微镜),3.43% (皮肤镜) 和3.92% (MRI) 的相对改善.
- 在单类和多类医疗图像细分任务中表现出卓越的性能.
结论:
- 拟议的MADR-Net框架为医疗图像细分提供了可靠且高性能的解决方案.
- MADR-Net有效地捕捉了全球和本地特征,从而提高了细分精度.
- 该架构作为未来研究医疗图像细分跨多种数据集的有价值的基线.
