精细的UNETRV2:为资源有限的医疗便携式设备进行3D图像分割

科学领域:

• 医学成像
• 计算机视觉
• 人工智能

背景情况:

• 医疗便携设备需要高准确性,速度和低推断动.
• 基于注意力的混合细分模型提高了准确性,但增加了复杂性和降低了速度.
• 对于复杂的模型来说,在资源有限的环境中进行实际部署是具有挑战性的.

研究的目的:

• 提出Slim UNETRV2,一个简化的医疗图像细分框架.
• 为了减少资源有限的医疗设备的执行时间和推断焦虑.
• 在保持高运行速度的同时增强细分精度.

主要方法:

• 在UNETRV2框架的编码器和解码器中使用基本的卷积运算.
• 在每个层次阶段的跳过连接中集成了一个Slim UNETRV2块.
• 通过拟议的块汇总提取的表示和改进的整体处理.

主要成果:

• 与最先进的模型相比,Slim UNETRV2在准确性,速度和推断动方面表现出更好的表现.
• 在BRATS 2021数据集上获得93.89%的子准确度和2.90毫米的HD95.
• 通过只有0.225毫秒的推断动速度, 超过SegMamba的16.7倍.

结论:

• Slim UNETRV2是一个有效的解决方案,用于在资源有限的设备上进行医学图像细分.
• 简化框架平衡了高精度与提高速度和减少推断动.
• 拟议的模型有助于在实际的医疗保健应用中进行实际部署.