MedNet:一个轻量级的注意力增强CNN用于医疗图像分类
Md Ferdous1, Saifuddin Mahmud2, Md Eleush Zahan Shimul3
1Department of Computer Science and Engineering, Gopalganj Science and Technology University, Gopalganj, 8105, Bangladesh. md.ferdous@gstu.edu.bd.
Scientific reports
|November 25, 2025
概括
新的深度学习模型MedNet提高了医学图像分类的准确性. 这种轻量级的CNN架构有效地提取关键功能,以更少的参数和更低的计算成本优于现有模型.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算机视觉 计算机视觉 计算机视觉
- 为医疗保健提供深度学习.
背景情况:
- 准确的医学图像分类对于早期疾病诊断至关重要.
- 标准的深度学习模型与医疗图像的复杂性,如低分辨率和高 intra-class 变化性作斗争.
- 现有的模型往往缺乏医疗数据的效率和有效的特征提取.
研究的目的:
- 为医疗图像分类开发一个高效准确的深度学习架构.
- 解决医疗图像中较低的类间差异和较高的类内差异的挑战.
- 提出MedNet,一个轻量级的CNN,结合深度可分离的卷积和CBAM注意力.
主要方法:
- 提出了MedNet,一个轻量级的卷积神经网络 (CNN) 架构.
- 集成深度可分离的卷积,用于高效的特征提取.
- 采用CBAM (卷积块注意模块) 来改进空间和通道智能的特征.
- 利用适应性聚合,脱落和完全连接的层进行分类.
- 在DermaMNIST,BloodMNIST,OCTMNIST (MedMNIST) 和Fitzpatrick17k数据集上受过培训和验证.
主要成果:
- 在多个医学图像数据集中,MedNet的性能与已建立的CNN基线相匹配或超过.
- 与现有模型相比,证明了更高的准确性.
- 实现显著更少的模型参数和更低的计算成本.
- 展示了关键的空间和上下文特征的有效提取和改进.
结论:
- MedNet为医疗图像分类提供了有效和高效的解决方案.
- 拟议的架构成功地减轻了与医疗图像数据相关的挑战.
- MedNet为可靠的医学图像分析和诊断提供了一个有前途的轻量级模型.