高性能和轻量级的平衡:HL-UNet用于3D心脏医学图像细分的HL-UNet
Hai Zhou1, Binbin Hu1, Nengmin Yi1
1College of Electronic and Information, Southwest Minzu University, Chengdu 610225, China; Key Laboratory of Electronic Information Engineering, Southwest Minzu University, Chengdu 610225, China.
Academic radiology
|June 20, 2024
概括
一个新的轻量级心脏细分网络HL-UNet通过高效地捕获图像特征来实现高性能. 这种方法平衡了细分精度与减少医疗器械计算负载.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 心脏磁共振成像 (CMR) 对于诊断和治疗心血管疾病至关重要.
- 当前的细分方法通常需要复杂的模型,限制它们在资源有限的设备上使用.
- 需要轻量级但准确的心脏细分技术.
研究的目的:
- 开发一种新的3D高性能轻量级网络,用于心脏图像细分.
- 为了应对平衡细分性能与计算效率的挑战.
主要方法:
- 提出HL-UNet,一个轻量级的3D医疗图像细分网络.
- 引入了一个剩余增强的适应性注意力 (REAA) 模块用于特征提取.
- 整合了视觉Mamba (VSS) 模块以提高网络性能.
主要成果:
- 与大规模模型 (TransUNet) 相比,HL-UNet提高了RV,MYO和LV的子得分,同时显著减少了参数和FLOP.
- 与轻量级模型 (MISSFormer) 相比,HL-UNet显示出具有相似或较低计算复杂性的卓越的Dice分数.
- 由于其效率,该模型显示每秒率 (FPS) 增加.
结论:
- HL-UNet有效地分割心脏图像,捕获本地细节和边缘信息.
- 该网络在高性能和轻量级设计之间取得了平衡.
- 在医疗设备上,HL-UNet为高效的心脏图像分析提供了可行的解决方案.
