DCA-U-Net:一个深度学习网络,用于对老鼠皮肤OCT图像中激光诱导的热损伤区域进行细分
Chenliang Xu1, Qiong Ma2, Jingyuan Wu3
1Henan University of Science and Technology, Luoyang, Luoyang, 471003, CHINA.
Biomedical physics & engineering express
|April 16, 2025
概括
一个新的深度学习模型,DCA-U-Net,有效地细分激光诱导的热皮肤损伤. 这种轻量级模型可以将参数减少33%,同时提高准确性,以便更好地进行临床诊断.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 激光诱导的热损伤是一种常见的临床问题,需要进行准确的评估.
- 深度学习有助于皮肤损伤细分,但现有的模型是参数重的,限制了临床使用.
- 减少模型参数往往会损害细分精度.
研究的目的:
- 开发一种高效,轻量级的深度学习模型,用于准确细分皮肤热损伤.
- 提高细分精度,降低临床应用的计算成本.
- 为了评估模型的性能,随着数据可用性的变化.
主要方法:
- 建议扩展的ConvNeXT注意力U-Net (DCA-U-Net),一个基于U-Net的模型.
- 集成的扩展式ConvNeXT区块 (DCB) 和双模块注意区块 (DMAB) 用于增强功能提取.
- 与标准的U-Net.net相比,模型参数减少了33%.
主要成果:
- DCA-U-Net在老鼠皮肤激光热损伤OCT数据集上展示了优异的细分性能.
- 该模型在数据不足和数据充足的情况下保持了高准确性.
- 实现了模型参数和计算成本的显著降低.
结论:
- DCA-U-Net提供了一种高效准确的解决方案,用于对皮肤热损伤进行细分.
- 该模型为精确诊断和治疗激光热伤害提供了有前途的技术支持.
- 轻量级设计增强了皮肤病学深度学习的临床适用性.
