一种用于改进医学图像分割中 U-Net 变体的混合方法
图像与视频处理
2024-09-01 v1 计算机视觉与模式识别
摘要
医学图像分割在医学影像领域至关重要，因为它使专业人员能够更准确地检查并理解不同成像模态所提供的信息。将医学图像分割为各种片段或感兴趣区域的技术称为医学图像分割。所生成的分割图像可用于许多不同的用途，包括诊断、手术规划和治疗评估。在研究初期，主要侧重于回顾现有的深度学习方法，包括 MultiResUNet、Attention U-Net、经典 U-Net 及其他变体等研究。注意力特征向量或特征图动态地为关键信息添加重要权重，且这些变体大多利用它们来提高精度，但网络参数需求较为严苛。它们面临过拟合等问题，因为其可训练参数数量非常高，推理时间亦然。因此，本研究的目标是使用深度可分离卷积降低网络参数需求，同时在诸如基于注意力机制与残差连接的皮肤病变分割等医学图像分割任务上保持性能。
引用
@article{arxiv.2307.16462,
title = {A hybrid approach for improving U-Net variants in medical image segmentation},
author = {Aitik Gupta and Joydip Dhar},
journal= {arXiv preprint arXiv:2307.16462},
year = {2024}
}
备注
9 pages, 11 figures