EANet:用于医学图像分割的迭代边缘注意力网络

EANet: Iterative edge attention network for medical image segmentation

  • EANet:用于医学图像分割的迭代边缘注意力网络
    • 背景
    • 贡献
    • 实验
    • 方法
      • Dynamic scale-aware context module(动态规模感知上下文模块)
      • Edge attention preservation module(边界注意力保持模块)
    • 损失函数
    • Thinking

EANet:用于医学图像分割的迭代边缘注意力网络

Pattern Recognition【2022】
论文:https://www.sciencedirect.com/science/article/pii/S0031320322001170
代码:https://github.com/DLWK/EANet

背景

由于(1)医学图像目标的尺度多样性和(2)医学图像的复杂上下文环境,包括结构边界的模糊性、形状的复杂性和纹理的异质性,这仍然是一项具有挑战性的任务。为了全面应对这些挑战,我们提出了一种新的、有效的迭代边缘注意力网络(EANet),用于医学图像分割,步骤如下。首先,我们提出了一个动态尺度感知上下文(DSC)模块,该模块动态调整感受野以有效地提取多尺度上下文信息。其次,采用边缘注意力保持(EAP)模块来有效地去除噪声,并帮助边缘流专注于仅处理边界相关信息。最后,设计了一个多级成对回归(MPR)模块,将互补的边缘和区域信息相结合,以细化模糊结构。这种迭代优化有助于学习更好的表示和更准确的显著性图。

贡献

  1. 我们提出了一种新颖有效的迭代边缘注意力网络(EANet)来全面解决医学图像分割的挑战。所提出的EANet可以处理医学图像领域中对象的大规模变化结构边界的模糊性
  2. 我们设计了一个DSC模块来有效地自学习对象的最佳感受野,以捕获多尺度上下文信息,这可以提高所提出的EANet在处理对象大小和形状变化很大的复杂情况时的能力。
  3. 我们提出了一种可以有效提取目标边缘信息的EAP模块,该模块可以抑制低电平背景噪声并保留边缘相关信息。
  4. 我们进一步构建了一个MPR模块,该模块有效地利用了边缘和区域信息之间的互补性。这种多级特征之间的迭代优化有助于学习更好的表示和更准确的显著性图,尤其是它们的边界变得更细粒度
    在这里插入图片描述

实验

应用一个简单的随机水平翻转来增加数据

  1. LIDC-IDRI数据集:提取了结节核心对应的CT切片,并裁剪成96×96的斑块图像。我们总共获得了2629张肺结节的2D图像,用于评估我们的框架。为了进行评估,我们对所有方法进行了5倍的交叉验证。因此,我们在每个折叠处使用2104个图像进行训练,使用525个图像进行测试。
  2. 新冠肺炎CT分割数据集:仅由10张标记图像组成。将图像随机分为训练(50张图像)、验证(5张图像)和测试(45张图像)。我们通过将图像大小调整为352×352分辨率来预处理图像
  3. 肺结节分析(LUNA)竞赛2:这是进一步诊断肺结节疾病的基础。该数据集包含534个2D样本(512-512像素)和相应的标签图像,可以从官方网站免费下载。我们使用80%的图像作为训练集,其余20%作为测试集,并进行交叉验证。
  4. 胸部X射线(CXR)中进行肺部分割实验,这是目前用于肺部健康计算机辅助诊断(CAD)的最佳视觉介质。Montgomery Country(MC)数据集[48]:包含138张CXR图像。在我们的实验中,我们使用110张图像进行训练,其余28张图像进行测试。
  5. TN-SCUI 2020 challenge3提供,作为MICCAI 2020的一部分:该数据集由3644张来自美国患者的图像组成,包括不同分辨率的不同类型甲状腺病变。有经验的医生给结节的注释贴上标签。在我们的实验中,在训练之前,通过水平、垂直平移和随机旋转操作将数据集扩展到7288张图像。数据集分为:训练集(60%)、验证集(20%)和测试集(20%。我们通过将图像大小调整为512×512分辨率来预处理图像。
    在这里插入图片描述

方法

在这里插入图片描述

Dynamic scale-aware context module(动态规模感知上下文模块)

在这里插入图片描述
在瓶颈层加入DSC模块,由不同空洞率的空洞卷积和DFS组成,DFS提供注意力。空洞卷积用于捕获多尺度特征,DFS特征动态选择,由于相邻尺度之间的相关性

Edge attention preservation module(边界注意力保持模块)

在这里插入图片描述
输入是编码器的四个特征图,1x1卷积改变维度之后从低到高逐层细化,Residual Block提取特征,Gated Conv特征筛选,最后1x1卷积提取边界特征

损失函数

边界损失
在这里插入图片描述
分割损失
在这里插入图片描述
混合损失
在这里插入图片描述

Thinking

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/155541.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

3D格式转换工具

这里记录下自己之前做3D模型格式转换,包括做CAD模型格式转换辅助的一些开源仓库和工具 (一)转换成gltf工具 gltf作为3D界的jpg标准,如今已经有很多引擎对其进行了支持,这里单独把它列出来 1. obj转glft工具 git仓库…

深入解析Windows操作系统——概念和工具

文章目录 Windows操作系统的版本Windows NT和Windows 95基础概念和术语内核调试用户模式调试 Windows操作系统的版本 Windows NT和Windows 95 Windows NT和Windows 95之间的一些结构性差异,以及Windows NT优于Windows 95及其后续版本的一些方面: Wind…

慧择解构年轻高客市场长期价值 花旗重申“买入”评级

风险转移、资金配置、社会保障、风险管理,当这四大保险行业基本职能呈现在眼前,人们曾经的第一反应可能是,只有达到一定年龄和社会地位、具备一定经济实力的人群,才会真正严肃对待这些概念。 但是,无论是人均收入水平…

前端环境变量释义import.meta.env.xxx

视频教程 彻底搞懂前端环境变量使用和原理,超清楚_哔哩哔哩_bilibili 添加命令行参数 --modexxxxx 新建.env.xxxx文件,其中.env文件会在所有环境下生效 以VITE_开头,字符串无需加双引号 使用import.meta.env.VITE_xxxxx进行调用

使用pytorch利用神经网络原理进行图片的训练(持续学习中....)

1.做这件事的目的 语言只是工具,使用python训练图片数据,最终会得到.pth的训练文件,java有使用这个文件进行图片识别的工具,顺便整合,我觉得Neo4J正确率太低了,草莓都能识别成为苹果,而且速度慢,不能持续识别视频帧 2.什么是神经网络?(其实就是数学的排列组合最终得到统计结果…

StringBuffer解析

StringBuffer是可变的字符序列,当一个StringBuffer被创建以后,通过StringBuffer提供append()、insert()、reverse()、setCharAt()、setLength()等方法可以改变这个字符串对象的字符序列。一旦通过StringBuffer生成了最终想要的字符串,就可以调…

移动云CNP产品介绍

整体介绍 磐舟devops的核心功能是项目管理和CI流程实现。CD能力也是集成的外部开源产品argoCD。所以 磐舟并不以CD能力见长。一般推荐试用磐舟完成CI,然后试用移动云CNP产品完成CD部署工作。 移动云原生技术平台CNP是面向多云多集群场景的应用管理平台。平台以应用…

Linux—简介安装常用命令系统中软件安装项目部署

目录 1. 前言1.1 什么是Linux1.2 为什么要学Linux1.3 学完Linux能干什么 2. Linux简介2.1 主流操作系统2.2 Linux发展历史2.3 Linux系统版本 3. Linux安装3.1 安装方式介绍3.2 安装VMware3.3 安装Linux3.4 网卡设置3.5 安装SSH连接工具3.5.1 SSH连接工具介绍3.5.2 FinalShell安…

大数据可视化是什么?

大数据可视化是将海量数据通过视觉方式呈现出来,以便于人们理解和分析数据的过程。它可以帮人们发现数据之间的关系、趋势和模式,并制定更明智的决策。大数据可视化通常通过图形、图表、地图和仪表盘等视觉元素来呈现数据。这些元素具有直观、易理解的特…

vscode自定义代码提示

vscode输入一段代码后,自动给代码提示,那么如何才能自定义呢? 点击左下角设置按钮,弹出一个框。选择点击“用户代码片段”,又弹出一个框提供了很多选项,其中包括了针对某些类型的文件(如&#x…

Python 检测网络是否连通

1 使用 urlib import urllib.requestdef test_internet_connection():url https://www.baidu.comtry:urllib.request.urlopen(url, timeout5)print("网络连接正常")except urllib.error.URLError as ex:print("网络连接异常:" str(ex))test_…

前端uniapp生成海报绘制canvas画布并且保存到相册【实战/带源码/最新】

目录 插件市场效果如下图注意使用my-share.vue插件文件如下图片hch-posterutilsindex.js draw-demo.vuehch-poster.vue 最后 插件市场 插件市场 效果如下图 注意 主要&#xff1a;使用my-share.vue和绘制canvas的hch-poster.vue这两个使用 使用my-share.vue <template&…

时序预测 | MATLAB实现基于LSTM-AdaBoost长短期记忆网络结合AdaBoost时间序列预测

时序预测 | MATLAB实现基于LSTM-AdaBoost长短期记忆网络结合AdaBoost时间序列预测 目录 时序预测 | MATLAB实现基于LSTM-AdaBoost长短期记忆网络结合AdaBoost时间序列预测预测效果基本介绍模型描述程序设计参考资料 预测效果 x 基本介绍 1.Matlab实现LSTM-Adaboost时间序列预测…

SQL基础理论篇(八):视图

文章目录 简介创建视图修改视图删除视图总结参考文献 简介 视图&#xff0c;即VIEW&#xff0c;是SQL中的一个重要概念&#xff0c;它其实是一种虚拟表(非实体数据表&#xff0c;本身不存储数据)。 视图类似于编程中的函数&#xff0c;也可以理解成是一个访问数据的接口。 从…

数据分析思维与模型:群组分析法

群组分析法&#xff0c;也称为群体分析法或集群分析法&#xff0c;是一种研究方法&#xff0c;用于分析和理解群体内的动态、行为模式、意见、决策过程等。这种方法在社会科学、心理学、市场研究、组织行为学等领域有广泛应用。它可以帮助研究人员或组织更好地理解特定群体的特…

C# Onnx DIS高精度图像二类分割

目录 介绍 效果 模型信息 项目 代码 下载 介绍 github地址&#xff1a;https://github.com/xuebinqin/DIS This is the repo for our new project Highly Accurate Dichotomous Image Segmentation 对应的paper是ECCV2022的一篇文章《Highly Accurate Dichotomous Imag…

书摘:C 嵌入式系统设计模式 01

本书的原著为&#xff1a;《Design Patterns for Embedded Systems in C ——An Embedded Software Engineering Toolkit 》&#xff0c;讲解的是嵌入式系统设计模式&#xff0c;是一本不可多得的好书。 模式 &#xff0c;英文为 pattern&#xff0c;指的是在软件开发中&#…

Windows + Syslog-ng 发送eventlog 到Splunk indexer

1: 背景: 装了window Splunk universal forwarder 的 window server 要把event log 送到linux 的splunk indexer 上,由于网络的原因,不能直接发送数据到splunk indexer的话,要利用跳板机来实现: 2:架构: 3: 先说明每个类型server 上的安装情况: Window server: 安装S…

Axios七大特性

Axios是一个基于Promise的HTTP客户端&#xff0c;用于浏览器和Node.js环境中发起HTTP请求。它有许多强大的特性&#xff0c;下面将介绍Axios的七大特性。 1. 支持浏览器和Node.js Axios既可以在浏览器中使用&#xff0c;也可以在Node.js环境中使用&#xff0c;提供了统一的AP…

Tomcat 9.0.54源码环境搭建

一. 问什么要学习tomcat tomcat是目前非常流行的web容器&#xff0c;其性能和稳定性也是非常出色的&#xff0c;学习其框架设计和底层的实现&#xff0c;不管是使用、性能调优&#xff0c;还是应用框架设计方面&#xff0c;肯定会有很大的帮助 二. 运行源码 1.下载源…