医学图像处理中的残差连接网络：以 ResUnet++ 模型为驱动的人机交互探索
图像与视频处理
2024-12-31 v1 计算机视觉与模式识别
摘要
从医学图像中准确识别和定位脑肿瘤仍具有挑战性，主要由于肿瘤的变异性和结构复杂性。卷积神经网络（CNNs），特别是 ResNet 和 Unet，已在医学图像处理方面取得显著进展，为图像分割提供了稳健的能力。然而，少数研究探索了将其与人机交互（HCI）集成以提升可用性、可解释性和临床适用性。本文引入了 ResUnet++，一种先进的混合模型，将 ResNet 和 Unet++ 结合起来，以提高肿瘤检测和定位的同时，促进临床医生与医学成像系统之间的无缝交互。ResUnet++ 在下采样和上采样阶段集成残差模块，确保关键图像特征得以保留。通过融入 HCI 原则，该模型提供直观的实时反馈，使医生能够有效地可视化和交互式地处理肿瘤定位结果。这有助于促进知情决策并提高临床工作流程的效率。我们在 LGG Segmentation Dataset 上对 ResUnet++ 进行了评估，实现 Jaccard Loss 为 98.17%。结果表明，该模型在分割性能方面表现强劲，并具备实际应用潜力。通过将先进的医学成像技术与 HCI 结合，ResUnet++ 为开发交互式诊断工具、提高医生信任、决策准确性和患者预后，以及推动 AI 在医疗保健工作流程中的集成提供了基础。
引用
@article{arxiv.2412.20709,
title = {Residual Connection Networks in Medical Image Processing: Exploration of ResUnet++ Model Driven by Human Computer Interaction},
author = {Peixin Dai and Jingsi Zhang and Zhitao Shu},
journal= {arXiv preprint arXiv:2412.20709},
year = {2024}
}