轻量级医疗图像细分网络,具有多尺度特征引导融合.

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析
• 人工智能的人工智能

背景情况:

• 医疗图像细分对于计算机辅助诊断至关重要,但在有限的计算资源下面面临着挑战.
• 开发精确的实时细分模型,具有计算效率,是一个重大的持续挑战.
• 现有的轻量级模型往往会损害细分性能,以满足资源限制.

研究的目的:

• 为医疗图像细分提供一种新的轻量级网络,在不牺牲性能的情况下优化计算效率.
• 在资源有限的场景中解决计算成本和细分精度之间的权衡.
• 为了在具有有限计算能力的设备上实现准确和快速的医疗图像分割.

主要方法:

• 介绍一个轻量级的变压器架构.
• 开发一个简化的核心特征提取网络,用于增强语义信息捕获.
• 实施一个具有嵌入式融合模块的多尺度特征交互指导框架,以管理空间和通道复杂性.

主要成果:

• 拟议的网络有效地从低分辨率地图中提取语义信息,并从高分辨率地图中提取空间信息.
• 在ISIC2017数据集 (256x256图像) 上实现了82.33%的mIoU准确度和71.26 FPS.
• 该网络非常轻量级,仅包含0.524万个参数,减少了计算负载和内存需求.

结论:

• 拟议的轻量级网络证明了医疗图像细分任务的有效性和效率.
• 该模型成功地平衡了细分性能与降低计算成本,为现实应用提供了实用解决方案.
• 源代码的可用性有助于进一步研究和开发轻量级医疗图像分析.