双重注意力高效网 混合U网用于对类风湿性关节炎进行细分 手部X射线
Madallah Alruwaili1, Mahmood A Mahmood2, Murtada K Elbashir2
1Department of Computer Engineering and Networks, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Aljouf, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|December 30, 2025
概括
这项研究引入了一种混合注意力U-Net,用于改进放射图像细分,在手部X射线分析中实现高精度. 该模型增强了边界恢复,并且在临床应用中具有计算效率.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 放射性成像细分具有挑战性,因为对比度变化,文物和细致的解剖细节.
- 现有的方法在医学扫描中难以准确地划分边界.
研究的目的:
- 开发和评估混合注意力U-Net,以加强放射图像的细分.
- 改善医疗成像分析中尖边界的恢复.
主要方法:
- 使用了一个EfficientNet-B3编码器与一个轻量级的解码器配对,结合了CBAM和SCSE注意力模块.
- 采用预处理技术,包括百分点窗口,N4偏差补偿,规范化和几何标准化.
- 整合了稀疏的几何增强来减轻域移动.
主要成果:
- 在手部X射线细分中实现了高性能,Dice系数为0.8426和IOU为0.78.
- 在培训期间表现出快速的融合和稳定的表现.
- 废弃性研究证实了EfficientNet-B3的贡献以及较小批量大小 (bs=16) 对规范化的好处.
结论:
- 混合注意力U-Net为放射细分提供了一个计算中等,端到端可训练的解决方案.
- 该模型显示了扩展到多类问题和临床翻译的潜力.
- 它提供了一个强大的和可部署的选择,用于肌肉骨X射线图细分.
