相关实验视频
Updated: Jun 4, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
367
DeepNeXt:一个轻量级的多片细分算法,基于多尺度的注意力
Chuantao Wang1, Saishuo Wang1, Shuo Shao1
1Beijing University of Civil Engineering and Architecture, School of Electromechanical and Vehicle Engineering, Beijing, China.
Quantitative imaging in medicine and surgery
|December 19, 2024
概括
DeepNeXt 是一种新的轻量级的多重体细分模型,可以通过更少的参数和计算实现高精度. 这项创新支持在临床设备上高效地诊断结肠癌.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 在结肠镜检查中精确的聚细分对于早期结肠癌的检测和治疗至关重要.
- 目前用于聚合物细分的深度学习模型往往太大,并且缺乏足够的临床准确性.
- 临床上需要轻量级,高效的模型来整合到医疗器械中.
研究的目的:
- 开发一个轻量级的深度神经网络,用于快速准确的自动聚体细分.
- 创建一个适合嵌入临床设备的模型,用于实际应用.
- 在临床环境中提供技术支持,以快速准确地分离聚合体.
主要方法:
- 介绍了DeepNeXt,这是一种利用多尺度注意力机制的聚细分模型.
- 采用多级,轻量级的卷积编码器,以实现高效的特征提取.
- 实现了多阶段的功能融合结构,以防止编码过程中信息丢失.
- 利用了多尺度的注意特征编码,使用深度条形卷积来进行多种特征提取.
主要成果:
- 与主流网络 (U-net,U-net++,TransUnet,SwinUnet,TGANet) 相比,DeepNeXt在Kvasir-SEG和CVC-ClinicDB数据集上表现优越.
- 实现了显著较低的计算成本:3.04 G FLOP 和 1.51 M 参数.
- 获得了高分段精度,mIOU为83.91% (Kvasir-SEG) 和87.37% (CVC-ClinicDB). 获得了高分段精度,mIOU为83.91% (Kvasir-SEG) 和87.37% (CVC-ClinicDB).
- 展示了出色的子和回忆指标,平衡了效率,紧性和准确性.
结论:
- 提出了DeepNeXt,这是一个新的轻量级网络,对聚合物细分有多种规模的关注.
- 该模型是专门为计算有限的医疗设备设计的.
- 在临床应用中,DeepNeXt提供了对准确和高效的息肉细分的强有力的支持.
