U-Net:一个双路径的U-Net,具有丰富的信息交互,用于医疗图像细分
Duwei Dai1, Caixia Dong2, Qingsen Yan3
1National-Local Joint Engineering Research Center of Biodiagnosis & Biotherapy, the Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, 710004, China; Institute of Medical Artificial Intelligence, the Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, 710004, China.
Medical image analysis
|June 19, 2024
概括
新的双路径I2U-Net通过有效地重用历史层信息来改善医疗图像细分. 这个网络增强了复杂的病变的特征学习,具有模糊的边界和不规则的形状.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习用于细分.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- U-Net 架构在医学图像细分方面表现出色,但在顺序层关系方面存在困难.
- 这种限制阻碍了对历史信息的有效利用,影响了边界不清楚的病变的细分.
研究的目的:
- 提出一种新的双路径U-Net,命名为I2U-Net,以解决医疗图像细分现有模型的局限性.
- 增强模型利用等级层的顺序信息的能力,以提高细分精度.
主要方法:
- 引入了一种双路径U-Net架构 (I2U-Net) 与一个多功能信息交互 (MFII) 模块,用于交叉路径和交叉层信息交换.
- 整合了整体信息融合和增强 (HIFA) 模块,以有效地将编码器功能集成到解码器中.
- 模拟了网络的信息流,类似于用于顺序数据处理的循环神经网络 (RNN).
主要成果:
- I2U-Net在四个具有挑战性的细分任务中表现出卓越的性能和概括性:皮肤病变,息肉,脑瘤和腹部器官.
- 与最先进的方法相比,在具有模糊边界和不规则形状的病变中获得了改进的细分结果.
结论:
- 拟议的I2U-Net通过其双路径设计和新型交互模块有效地利用序列信息.
- 该网络在医疗图像细分方面取得了重大进展,特别是在复杂和具有挑战性的病例中.
