GLAC-Unet:全球-本地主动轮损失与高效的U形架构为多类医疗图像分割的高效U形架构
Minh-Nhat Trinh1, Thi-Thao Tran2, Do-Hai-Ninh Nham3
1Center of Marine Sciences, University of Algarve, Faro, Portugal.
Journal of imaging informatics in medicine
|January 17, 2025
概括
一个新的全球-本地主动轮 (GLAC) 损失函数通过结合全球和本地特征来改进基于深度学习的医疗图像细分. 这种新的方法可以提高复杂病例的细分精度,如闭塞和强度不均.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习是一种深度学习.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 传统的损失函数 (子,交叉) 与医疗图像分割挑战的全球指标 (如遮蔽和非均强度) 斗争.
- 深度学习模型需要有效的损失函数和架构来精确细分生物医学图像.
研究的目的:
- 为多类医疗图像分割引入一种全新的全球局部主动轮 (GLAC) 损失函数.
- 用密集层,卷积块注意模块和DropBlock来增强U-Net架构,以改进功能提取和规范化.
- 开发和验证一个端到端可训练模型 (GLAC-Unet),用于精确的生物医学图像细分.
主要方法:
- 开发了全球-本地主动轮 (GLAC) 损失函数,将全球和本地图像特征集成到Mumford-Shah框架中,用于多类细分.
- 通过结合密集层,卷积块注意模块和DropBlock来修改U-Net架构,以增强上下文信息处理和减少过度拟合.
- 在各种生物医学数据集上训练并评估了GLAC-Unet模型:皮肤镜 (ISIC-2018),心脏MRI (ACDC 2017) 和脑MRI (婴儿脑MRI细分挑战2019).
主要成果:
- 获得了高的子分数:在ISIC-2018上0.9125,在ACDC2017上0.9260和在2019年婴儿大脑MRI细分挑战中0.927.
- 在ISIC-2018和ACDC数据集上,与最新模型相比,在统计学上表现出显著的改进 (p < 0.05).
- 在2D和3D医学成像模式中验证了模型的稳定性和有效性.
结论:
- 拟议的GLAC损失函数和增强的U-Net架构 (GLAC-Unet) 显著提高了多类医疗图像细分的准确性.
- 该方法有效地解决了诸如阻塞和不均强度等挑战,优于现有的方法.
- GLAC-Unet显示了推动生物医学图像分析和临床应用的巨大潜力.
