基于混合跳过连接和注意力机制的全尺寸肺部图像细分算法

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 肺部图像细分对于诊断呼吸系统疾病至关重要.
• 在医疗图像中,背景对象遮蔽往往会影响分段精度.
• 现有的算法与复杂的背景干扰作斗争.

研究的目的:

• 开发一个强大的全尺度肺图像细分算法.
• 通过减轻背景阻塞效应来提高细分精度.
• 增强特征融合和重要的特征权重,以更好地划分肺部.

主要方法:

• 提出了一种混合跳过连接和注意力机制 (HAFS) 算法.
• 使用YOLOv8作为基础网络架构.
• 实现了多层功能融合,具有密集和稀疏的跳过连接和注意力门.

主要成果:

• 该HAFS算法证明了改进的精度,回忆和像素精度.
• 与现有方法相比,获得了优异的Dice,mIoU和mAP分数.
• 展示了增强的GFLOPs指标,表明计算效率.

结论:

• 拟议的HAFS算法有效地解决了肺部图像细分中的背景封闭问题.
• 混合方法显著提高了细分性能和准确性.
• 这种方法为临床肺部图像分析提供了有希望的进步.