基于ResNet和SE-Net的改进的U-Net,具有双重注意力机制,用于光圈语义细分
Jui-Chung Ni1, Shih-Hsiung Lee2, Yen-Cheng Shen3
1Institute of Computer and Communication Engineering, National Cheng Kung University, Tainan, 701, Taiwan.
Medical engineering & physics
|February 20, 2025
概括
这项研究通过在U-Net架构中引入双重注意力机制来增强光图像细分. 改进的模型有效地捕获关键的特征和位置,导致更好的准确性和减少过度拟合的眼球细分任务.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 眼球图像细分对于医学诊断至关重要.
- 之前的U-Net模型用于眼球细分通常忽略了位置信息.
- 注意力机制可以改善深度学习模型中的特征表示.
研究的目的:
- 为了改进U-Net架构的光图像细分.
- 引入一种新的双重注意力机制,将通道和位置注意力集成在一起.
- 提高模型对关键特征和位置意义的敏感性.
主要方法:
- 将基于SE-Net的双重注意力机制 (通道和位置注意力) 集成到U-Net架构中.
- 用瓶层取代U-Net编码器的卷积层,以保存功能信息.
- 在U-Net解码器中使用剩余块来减轻过度装配.
- 实验验证对自动喉细分 (BAGLS) 数据集的公共基准进行验证.
主要成果:
- 拟议的双重注意力机制增强了特征和位置加权.
- 修改后的U-Net架构保留了跳过连接功能,同时优化了计算.
- 包含保留特征的模型表现出卓越的准确性.
- 由于在解码器中使用剩余块,观察到过度装配的减少.
结论:
- 这种新的双重注意力机制显著改善了眼球图像细分.
- 增强的U-Net架构提供了更灵敏,更准确的方法来分类光.
- 该模型在BAGLS数据集上取得了有希望的结果,表明其临床潜力.
