S-Net:一种新型的浅层网络,用于医疗图像细分中的增强细节保留
Qinghua Shang1, Guanglei Wang2, Xihao Wang1
1College of Electronic and Information Engineering, Hebei University, Hebei 071002, PR China.
Computer methods and programs in biomedicine
|April 4, 2025
概括
一个新的浅层网络,S-Net,通过减少下方采样来保存医疗图像细节. 这种方法提高了细分精度和模型效率,为轻量级医疗图像分析提供了新的方向.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 深度学习架构 深度学习架构
背景情况:
- 在医疗图像细分中,U形网络很常见,但由于向下采样,它们会失去细节.
- 现有的跳过连接改进还没有完全解决细节丢失的问题.
- 需要一种更简单,更有效的方法来保留图像信息.
研究的目的:
- 介绍S-Net,一个用于医疗图像细分的新型浅层网络.
- 为了比传统的深度网络更有效地保存输入图像细节.
- 开发一个轻量级但准确的细分模型.
主要方法:
- 建议S-Net,一个只有两个输出分辨率阶段的浅层网络.
- 在瓶中引入全球-本地功能融合 (GLFF) 模块.
- 整合全球背景的Mamba和地方特征的深度卷曲.
主要成果:
- 在四个数据集中,S-Net实现了卓越的细分性能,超过了现有的模型.
- 展示了精细的细分细节,在超声波数据上的IOU和DICE得分显著改善.
- S-Net 展示了一个轻量级的设计,只有 1.52M 参数.
结论:
- S-Net的架构和GLFF模块对医疗图像细分非常有效.
- 减少下方采样操作有效地保留了特征地图信息.
- 这项研究为改善细分精度和轻量化模型设计提供了新的途径.
