利用记忆来改善医疗图像细分,使用有限的参数

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:

• 深度学习 (DL) 提供快速,自动的细分,减少临床工作量.
• 目前的DL细分模型经常使用2D方法来最大限度地减少硬件需求,尽管有3D数据.
• 这限制了在医学成像中充分利用体积信息.

研究的目的:

• 提出一种新的DL架构,即2D长短期内存U-Net (2D LSTM U-Net).
• 通过将2D U-Net细分优势与长短期记忆 (LSTM) 体积理解相结合,有效地细分医疗图像.
• 为了在处理3D图像数据时保持低硬件要求.

主要方法:

• 开发了一个混合的2D U-Net架构,结合了长短期内存 (LSTM) 层.
• 在LSTM层允许序列数据处理,以实现体积理解.
• 在CT-ORG和BraTS 2020数据集上评估了2D LSTM U-Net用于细分任务.

主要成果:

• 2D LSTM U-Net 在二进制和多类细分中都表现出有效性.
• 实现了与最先进的2D和3D模型相美的性能.
• 需要的参数要少得多:比一些2D模型少1.6倍,比一些3D模型少16.5倍.

结论:

• 拟议的2D LSTM U-Net是一个有效和高效的医疗图像细分架构.
• 它成功地将3D体积理解集成到一个计算效率高的2D框架中.
• 这种方法为减少临床DL应用中的硬件需求提供了有希望的解决方案.