简介:LWAH-Net:轻量级的注意力驱动混合网络,用于内镜图像中的息肉细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 聚细分对于早期检测结直肠癌至关重要.
• 挑战包括可变的多形态,低对比度和成像工件.
• 需要先进的细分解决方案来提高诊断准确度.

研究的目的:

• 引入LWAH-Net,一个轻量级的,以注意力驱动的混合网络用于聚合物细分.
• 有效地捕捉本地和全球的上下文特征,以增强细分.
• 为了提高边界精度和检测聚的整体性能.

主要方法:

• LWAH-Net结合了卷积神经网络 (CNN) 和基于变压器的注意力模块.
• 使用助推编码器进行多级特征提取.
• 包含基于注意力的瓶和基于注意力的变压器剩余连接.
• 使用组合损失函数 (子,雅卡德,表面损失) 进行边界精细化.

主要成果:

• 在五个数据集中,LWAH-Net仅用0.82万个参数实现了最先进的性能.
• 子得分从78.8%到93.8%不等,mIoU得分从70.4%到90.1%不等.
• 与现有模型相比,证明了更高的精度和计算效率.
• 在各种数据集上展示了出色的概括能力.

结论:

• LWAH-Net是一个强大的,高效的工具,用于聚合物细分.
• 它的适应性使其适合临床应用,特别是在资源有限的环境中.
• 代表了实时诊断系统在片检测中的重大进步.