相关实验视频
Updated: May 25, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
348
CAML-PSPNet:基于协调注意力和混合损失功能的医疗图像分割网络
Yuxia Li1, Peng Li2, Hailing Wang1
1School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai 201620, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
本研究介绍了CAML-PSPNet,这是一个改进的细分网络,通过精确识别模糊的边界和小目标来提高诊断准确度. 该模型显著提高了跨多个数据集的细分性能.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 深度学习是一种深度学习.
背景情况:
- 细分任务经常与模糊的边界和小区域作斗争,影响诊断准确性.
- 像PSPNet,Deeplabv3,HrNet和U-Net这样的现有方法在处理这些细分挑战方面存在局限性.
研究的目的:
- 提出一个新的网络,CAML-PSPNet,可以提高医疗图像的细分精度,特别是对于小目标和模糊边界.
- 通过解决常见的细分不准确性,提高临床诊断的精度.
主要方法:
- 开发了CAML-PSPNet,集成了用于精确边缘定位的坐标注意模块和用于小目标细分的混合损失函数 (MLF).
- 利用MobilenetV2作为一个轻量级的骨干,以高效地提取特征,减少模型参数并增加计算速度.
- 在PrivateLT,Kvasir-SEG和ISIC 2017数据集上验证了该模型,并将其性能与已建立的网络进行比较.
主要成果:
- 与Deeplabv3,HrNet,U-Net和PSPNet相比,CAML-PSPNet在视觉效果和评估指标方面取得了显著的改善.
- 在肺癌数据上实现了2.84%-5.4%的平均交叉率增加,在Kvasir-SEG上达到3.1%-8.78%,在ISIC2017上达到0.71%-3.83%.
- 展示了优越的边界细分与黄金标准的相似性,并提高了小目标的准确性.
结论:
- CAML-PSPNet有效地解决了医疗图像细分方面的局限性,特别是在模糊的边界和小目标方面.
- 拟议的网络为细分任务提供了更准确,更高效的计算解决方案,有助于改善临床诊断.
- 协调注意和混合损失函数的集成代表了细分网络设计的重大进步.
