数据增强和注意力机制在UNet和ConvNeXt架构中的作用,以优化乳腺瘤细分的优化
Mohammadreza Kamsari1, Soroush Sadeghi2, Gabriel Gomes de Oliveira3
1Faculty of Electrical Engineering, Malek-Ashtar University of Technology (MUT), Esfahan, Iran.
Scientific reports
|November 25, 2025
概括
注意力机制和0.5的学率显著改善了UNet+ConvNeXt小乳腺瘤细分. 仔细选择数据增强对于强大的医学图像分析至关重要.
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:
- 准确的乳腺瘤细分对于诊断和治疗计划至关重要.
- 像UNet变体这样的深度学习模型显示出希望,但需要对临床应用进行优化.
研究的目的:
- 分析UNet+ConvNeXt 对于乳腺瘤细分的微小配置.
- 为了评估数据增强,跳过连接,注意力和丢失对细分性能的影响.
- 评估不同数据集 (BUSI和BUS-UCLM) 的模型通用性.
主要方法:
- 对UNet+ConvNeXt小架构进行了全面的分析.
- 系统评估数据增强,跳过连接,注意力机制和学率.
- 在域内 (BUSI) 和跨数据集 (BUS-UCLM) 的绩效评估.
主要成果:
- 注意力机制显著改善了细分指标 (F1, IoU, Dice).
- 仅仅数据增强是不一致的;与注意力相结合,它往往提高了表现.
- 放弃率为0.5,优化了概括,特别是注意力模块.
- 积极的增强可以通过扭曲解剖来降低细分质量.
结论:
- 注意力机制和0.5的学率是最佳乳腺瘤细分的关键.
- 数据增强的特定域选择在医学成像中至关重要.
- 在临床环境中,平衡架构复杂性和规范化对于强大的深度学习模型至关重要.
