带有注意力增强的双U网,用于白细胞细分.
Ilyes Benaissa1, Athmane Zitouni1, Salim Sbaa1
1Laboratory of Vision Systems and Communication (VSC), Department of Electrical Engineering, University of Mohamed Khider Biskra, Biskra 07000, Algeria.
Journal of imaging
|November 26, 2025
概括
这项研究介绍了GAAD-U-Net,这是一个新的深度学习模型,用于在医学图像中对白细胞进行细分. 它显著提高了准确性,特别是在具有重叠细胞和低对比度的具有挑战性的情况下.
科学领域:
- 医学成像分析 医学成像分析
- 计算生物学 计算生物学
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的白细胞细分对于疾病诊断和监测至关重要.
- 现有的基于U-Net的方法在细胞边界模糊性和低对比度方面扎.
- 需要强大的细分模型来处理复杂的细胞结构.
研究的目的:
- 为增强白细胞细分开发先进的深度学习架构.
- 解决当前细分技术的局限性,特别是关于微妙的边界和重叠的单元.
- 为了提高医疗图像中自动化白细胞识别的准确性和稳定性.
主要方法:
- 拟议的GAAD-U-Net架构整合了注意力增强卷曲和一个关门机制.
- 利用双U-Net基础架构进行增强的功能提取.
- 在基准白细胞数据集上评估模型,包括SegPC-2021.
主要成果:
- 在白细胞细分任务中实现了最先进的性能.
- 在SegPC-2021数据集上表现出3.4%的子得分系数 (DSC) 改进.
- 即使在困难的图像上,也表现出卓越的细分精度,通过对Union (IoU) 和DSC的交叉测量.
结论:
- GAAD-U-Net有效地捕捉了模两可的边界和复杂的细胞结构.
- 拟议的模型在白细胞细分的准确性和稳定性方面取得了重大进展.
- 这项工作为医学图像分析和临床应用提供了强大的工具.
