一个基于注意力机制的轻量级UNet用于肌肉骨超声波图像分割
Yan Zhang1, Xilong Yu1, Qing Hu1
1School of Artificial Intelligence, Hebei University of Technology, Tianjin, China.
Medical physics
|December 2, 2024
概括
本研究介绍了一种基于注意力机制的轻量级UNet (AML-UNet),用于高效准确的肌肉骨超声波 (MSKUS) 图像分割. 与现有方法相比,开发的模型在显著减少参数和较低计算复杂度的情况下实现了卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 肌肉骨超声波 (MSKUS) 图像的准确细分对于临床诊断和治疗计划至关重要.
- 深度学习模型在细分效率,准确性和在MSKUS分析的边缘设备上部署方面具有优势.
研究的目的:
- 设计一种新的MSKUS图像分割方法,降低参数和计算复杂度.
- 为了在MSKUS图像中实现目标肌肉区域的更高的细分精度.
主要方法:
- 开发了一个基于注意力机制的轻量级UNet (AML-UNet),在编码路径中结合了通道重建和空间注意力模块.
- 一个多尺度聚合模块取代了传统的跳过连接,在解码路径中使用了深度监控,以进行精细的面具预测.
- 该模型在两个MSKUS数据集上使用五倍交叉验证进行了评估,统计学意义通过Wilcoxon Signed-Rank测试和Bonferroni校正得到验证.
主要成果:
- 在两个数据集上,AML-UNet实现了84.17%和90.14%的欧盟交叉点 (mIoU) 平均得分,超过了Unext模型.
- 该模型具有较低的参数数量 (0.21M) 和FLOP (0.96G),与标准UNet相比显著减少.
- 统计分析证实了性能改善的意义.
结论:
- 拟议的AML-UNet模型在MSKUS图像细分方面表现出卓越的性能.
- 该模型在减少参数数量和计算成本的情况下实现了高细分效率和准确性.
- 这种轻量级架构适合在边缘设备上部署,用于实时MSKUS分析.
