卡普网:一种基于注意力的自动混合器模型,用于心血管磁共振图像细分
Tien Viet Pham1, Tu Ngoc Vu1, Hoang-Minh-Quang Le1
1Department of Automation Engineering, School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Hanoi, Vietnam.
Journal of imaging informatics in medicine
|July 9, 2024
概括
我们开发了CapNet,这是一款用于心脏MRI细分的轻量级模型,使用更少的参数实现高精度. 这种高效的深度学习方法与较大的模型相比,提供了具有竞争力的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管研究研究心血管研究
背景情况:
- 深度神经网络在医学图像细分方面出色,特别是在心脏MRI中.
- 变压器模型提供长距离的依赖性学习,但遭受高计算成本和参数计数的困扰.
- 现有的方法通常需要对大型数据集进行预训练,从而增加内存和资源需求.
研究的目的:
- 介绍CapNet,一个新的,轻量级和高效的卷积神经网络用于心脏MRI细分.
- 为了应对不同阶段不同心脏形状和大小的挑战.
- 提出一个新的损失函数,Tversky形状功率距离,以提高细分精度.
主要方法:
- 开发了CapNet,这是一个带有混合模块的卷积模型,可以在最小参数的情况下从头开始训练.
- 集成的注意力模块,用于聚合,空间和道信息,以处理形状变化.
- 利用Tversky形状功率距离损失函数来强调形状不相似性.
主要成果:
- 在公共数据集上实现了高的子相似系数 (DSC):内心/上心细分高达96.82%.
- 在多类细分中表现出强的表现,在ACDC上平均DSC为93.05%,在MS-CMR序列中得分高.
- 尽管CapNet具有较少的参数,但它在统计学上显示出了比基于变压器和基于CNN的方法显著的改进.
结论:
- 卡普网为心脏MRI细分提供了一种轻量级但高效的解决方案.
- 提出的注意力和损失功能模块有效地处理心脏形状的变化.
- 与最先进的方法相比,CapNet提供了具有竞争力和统计学意义的结果,减少了计算负担.
