LS-Net:用于皮肤外皮细分的轻量级细分网络,用于光学连贯性断层扫描成像
Jinpeng Liao1, Tianyu Zhang1, Chunhui Li1
1University of Dundee, School of Science and Engineering, Dundee, United Kingdom.
Biomedical optics express
|October 18, 2024
概括
一个新的深度学习模型,LS-Net,改善了用于皮肤疾病诊断的光学连贯性断层扫描 (OCT) 分析. 这种轻量级的网络提高了表皮细分的准确性和速度,帮助皮肤科医生在临床实践中.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 光学连贯断层扫描 (OCT) 提供了用于诊断疾病的非侵入性皮肤评估.
- 由于皮肤的形态多样化,OCT的精确表皮细分具有挑战性,限制了其临床实用性.
- 现有的细分方法在速度和准确性方面扎.
研究的目的:
- 开发一种新,高效的深度学习模型,用于在OCT图像中精确的表皮细分.
- 解决当前处理皮肤形态多样性的方法的局限性.
- 提高OCT在皮肤病学中的诊断能力.
主要方法:
- 推出了LS-Net,一个轻量级的细分网络,结合了卷积神经网络 (CNN) 和视觉变换器 (ViT).
- 包含一个深度智能卷积变压器用于空间上下文化和一个挤压和激发块用于特征重新校准.
- 在临床条件下,在各种皮肤部位 (脸部,手掌) 的定制数据集上验证了模型.
主要成果:
- 通过LS-Net实现了高细分精度 (平均子:0.9624,平均IOU:0.9468).
- 网络显示了显著减少的计算需求 (1.131 G浮点运算).
- 在准确性和效率方面超过了现有的细分方法.
结论:
- 对于OCT,LS-Net提供了精确且计算效率高的表皮细分.
- 该模型在各种皮肤部位和疾病中的有效性支持其临床适用性.
- 在皮肤病学实践中,LS-Net提高了OCT的诊断价值.
