EVIT-UNET:U-NET 像有效的视觉转换器一样用于手机和边缘设备上的医疗图像分割

科学领域:

• 医学成像中的深度学习应用.
• 计算机视觉用于医疗保健.
• 医疗诊断中的人工智能.

背景情况:

• 卷积神经网络 (CNN) 在医疗图像细分方面表现出色,但在全球特征捕获方面扎.
• 视觉转换器 (ViT) 改善了全球特征提取,但在计算上是密集的.
• ViT的高计算需求限制了对资源有限的医疗设备和边缘平台的部署.

研究的目的:

• 开发一个高效的视觉转换器 (ViT) 基于医疗成像的细分网络.
• 解决ViT在资源有限的设备上部署的计算限制.
• 为了保持医学图像分割的高精度,同时降低计算复杂性.

主要方法:

• 提出了EViT-UNet,这是一个高效的基于ViT的网络,具有U形架构.
• 集成的卷积操作与自我注意机制,以优化效率.
• 使用了一个编码器解码器结构与跳过连接.

主要成果:

• 在医疗图像细分任务中,EViT-UNet表现出高准确度.
• 与现有的基于ViT的方法相比,显著降低了计算复杂性.
• 实现了适合资源有限的医疗器械的高效性能.

结论:

• 在资源有限的设备上,EViT-UNet为医疗图像细分提供了有效的解决方案.
• 该网络平衡了准确性和计算效率,允许更广泛地部署先进的细分模型.
• 拟议的架构促进了ViT在实际,现实世界的医疗场景中的应用.