规模感知超分辨率网络与双亲关系学习用于医疗图像中的损伤细分

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 卷积神经网络 (CNN) 在医学图像细分方面表现出色,但与不同规模的病变作斗争.
• 在低分辨率图像中,小病变的精确细分是很困难的,而大病变需要广泛的受体场.

研究的目的:

• 从低分辨率 (LR) 医学图像开发一个规模感知超分辨率 (SR) 网络,用于从低分辨率 (LR) 医学图像进行适应性损伤细分.
• 为了应对医疗图像细分中各种损伤大小和分辨率所带来的挑战.

主要方法:

• 提出了一个双分支网络,用于同时创伤面膜SR (LMSR) 和创伤图像SR (LISR).
• 在解码器中引入了规模感知扩展卷积 (SDC) 块,以根据病变大小调整受体场.
• 整合了特征亲和 (FA) 和尺度亲和 (SA) 模块,以增强双分支之间的多任务学习.

主要成果:

• 拟议的网络在具有挑战性的损伤细分数据集上表现出与最先进的方法相比的持续改进.
• 在广泛的尺度和分辨率上,在细分病变方面取得了卓越的性能.

结论:

• 规模感知超分辨率网络有效地从LR医疗图像中对各种大小的病变进行细分.
• 采用SDC,FA和SA模块的双分支架构增强了多任务学习和细分精度.