注意医疗超声波图像分割的残余网络

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 图像细分 图像细分

背景情况:

• 超声波成像对于检查内部器官和检测病变至关重要,但由于图像噪声和操作员的变化,手动划分容易产生不准确性.
• 传统的U-Net模型难以提取全球信息,易受超声波图像中的噪声影响,限制了细分的准确性.
• 在超声波图像中精确细分病变对于有效的治疗监测和康复评估至关重要.

研究的目的:

• 开发一种先进的深度学习模型,用于在超声波图像中准确细分病变.
• 解决传统U-Net模型在处理噪声和从超声数据中提取全球特征方面的局限性.
• 提高乳腺和甲状腺超声波成像中病变边界划分的准确性和可靠性.

主要方法:

• 提出了一个注意力剩余网络 (ARU-Net) 模型,包含剩余连接,以提高学习能力.
• 集成了一个空间混合卷积模块,以改善全球信息提取和网络深度.
• 在特征融合期间实施道和多卷积自我注意机制,以抑制噪音并专注于目标区域.

主要成果:

• 在ARU-Net中,乳房超声波的平均交叉度 (mIoU) 为82.59%,甲状腺超声波的平均交叉度为84.88%.
• 该模型显示了高精度,乳腺97.53%和甲状腺超声波96.09%.
• 乳腺F1得分为90.06%,甲状腺超声波得分为89.7%,在病变细分方面表现强.

结论:

• 与传统方法相比,拟议的ARU-Net模型显著提高了超声波图像中病变细分的准确性.
• 注意力机制和剩余连接有效地减轻噪声,并改善相关特征的提取.
• 在改善乳腺和甲状腺疾病的诊断准确性和治疗评估方面,ARU-Net具有很强的临床应用潜力.