论文笔记LiM-Net: Lightweight multi-level multiscale network with deep residual learning

最新推荐文章于 2024-09-26 00:02:15 发布

NaiveXy

最新推荐文章于 2024-09-26 00:02:15 发布

阅读量207

点赞数

分类专栏：医学图像分割文章标签：深度学习图像处理计算机视觉 Powered by 金山文档

本文链接：https://blog.csdn.net/Stark_Z/article/details/129160503

版权

医学图像分割专栏收录该内容

31 篇文章 16 订阅

订阅专栏

LiM-Net：用于CT图像中自动肝脏分割的具有深度残差学习的轻量级多级多尺度网络

自动肝脏分割在医学领域获得了显著的关注，以处理肝脏异常。此外，由于医学成像的进步，数据量每天都在增加，这寻求对自动肝脏分割技术的需求，以避免当前由医学专家遵循的肝脏描绘的劳动密集型过程。该方法基于深度学习方法。我们利用多层次多尺度特征提取和融合概念来提高肝脏分割结果。将计算效率高的预激活多尺度Res2Net主干结构与通道注意（PARCA）模块插入到Unet++结构中，以提取多尺度细粒度特征，并使用细化和密集跳跃连接从网络的各个阶段进行多尺度特征融合。结果，来自不同阶段的细粒度多尺度特征和多尺度特征融合提供增强解码器能力的丰富上下文特征表示。此外，我们使用自定义损失函数优化了网络，该函数处理类别不平衡，并专注于数据集中的复杂样本。

使用公开可用的3DIRCADb、CHAOS和LiTS CT数据集对所提出的轻量模型的有效性进行了实验测试。在3DIRCADb、CHAOS和LITS数据集上，拟定模型的DSC分别为97.3%、95.1%和96.3%。然而，所提出的网络是轻量级的，并且具有比经典的Unet和Unet++架构少的750万个参数。因此，提出的启发式提高了肝脏分割结果，并显著降低了参数和模型的计算复杂度。

Contributions：

1.拟议的轻量级的多层次多尺度设计采用的核心架构Unet + +网络。我们建议的体系结构的潜在细粒度的多尺度特征提取multiple水平与特征提取浓缩机制更多的语义和上下文细节,提高了译码器效果。这些网络中提出了启发式的修改设计提升肝脏分割性能,大大减少了网络的参数和内存消耗。

2.我们介绍了新颖的计算效率PARCA块,有能力提取细粒度的多尺度有限元分析温度与突出的细节。进一步,网络补偿却常常在浓密的跳过语义桥梁,连接和特征融合方法。因此,建议修改使LiM-Net提取多尺度信息从多个编码水平通过密集跳过连接。

3.另外,我们设计了自定义损失函数来处理数据不平衡和更专注于复杂的样本，dice loss and focal loss。定制的损失与深残余学习方法是用于优化网络。

4.我们提出的启发式网络设计支持模型修改修剪和深监督促进的提取网络的分割结果在不同的阶段与降低计算复杂度和推理时间。

5.我们从头训练网络,在3DIRCADb, CHAOS, and LiTS CT 数据集验证了肝脏的分割性能模型。结果表明该轻量级的方法提高了分割结果和大幅减少网络参数。

Proposed network architecture：

The PARCA block：

本文提出了一种新颖的轻量级的多层次多尺度方法从CT图像自动分割肝脏。构成方法的灵感来源于核心Unet + +架构。Unet + +的启发式修改架构有能力提取颗粒在多层次多尺度特性使用轻量级PARCA块是由使用PR2N块特征的多尺度特性,这些特性是进一步加工使用CA块更多地专注于细心的特性来获得更多的背景细节的多尺度特性。此外,细心的多尺度特性从不同阶段的网络融合在每个节点使用密集跳过连接桥的语义鸿沟,提高网络学习以及解码器可能获取更精确地分割图。此外,该网络具有提供实现深监管模型,允许修剪这减少了推理时间和计算复杂度。我们在公开实验验证了模型的有效性3 dircadb,混乱和床位数CT数据集提供signif性意义的变化和复杂性。因此,提出启发式修改网络的发达肝脏分割perfor曼斯以及降低计算复杂度和内存消耗。因此,提出LiM-Net已公布了它的有效在肝脏自动分割的任务。此外,该方法可以延长器官的分割使用不同的医学成像模式和相关的异常。