LFE-UNet:一种轻量级的全编码器U形网络,用于医疗成像中的高效语义细分
Qinghua Zhang1,2, Yulei Hou3, Changchun He1
1Department of Neurosurgery, Huazhong University of Science and Technology Union Shenzhen Hospital, Shenzhen 518052, China.
Current medical imaging
|May 12, 2025
概括
本研究介绍了LFE-UNet,这是一种用于医疗图像细分的轻量级网络,使用更少的参数实现高精度. 它展示了高效的特征提取和对噪声的稳定性,优化了性能和计算成本之间的平衡.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习架构 深度学习架构
- 计算机视觉 计算机视觉
背景情况:
- 语义细分对于医学成像至关重要,但U-Net变体增加了计算需求.
- 高参数计数在高级细分模型中需要强大的硬件进行训练.
研究的目的:
- 开发一个轻量级的U-Net (LFE-UNet),平衡分段精度和参数效率.
- 在资源受限模型中充分利用编码器特征提取能力.
主要方法:
- 提出了一种轻量级的全编码器U形网络 (LFE-UNet) 与全编码器跳过连接.
- 将基本通道减少到8个,以提高架构效率.
- 集成LFE-UNet与ResNet34进行性能评估.
主要成果:
- 在ISBI LiTS 2017肝脏数据集上获得0.97385的子得分.
- 在BraTS 2018脑瘤数据集中获得了高分 (平均0.87510,WT 0.93759,TC 0.87301,ET 0.81469).
- 分析了通道/层计数,噪声和损失函数对参数效率和准确性的影响.
结论:
- LFE-UNet表明,高细分精度可以通过显著减少参数来实现.
- 强调全面利用编码器功能的重要性.
- 突出了损失函数选择和噪声对细分性能的影响.
