DmADs-Net: Dense multiscale attention and depth-supervised network for medical image segmentation

要約

ディープラーニングは、医療画像セグメンテーションの開発に重要な貢献をしてきました。
畳み込みニューラル ネットワークは、重要な分野として研究者から強い注目を集めています。
多くの研究者のたゆまぬ努力により、畳み込みニューラル ネットワークは、医療画像を処理するための数多くの優れたアルゴリズムを生み出してきました。
これらのアルゴリズムのアイデアとアーキテクチャは、後のテクノロジーの開発に重要なインスピレーションも提供しました。広範な実験を通じて、現在主流の深層学習アルゴリズムは、複雑なデータセットやさまざまな種類のデータセットを処理するときに、常に理想的な結果を達成できるわけではないことがわかりました。
これらのネットワークには、病変の位置特定と特徴抽出においてまだ改善の余地があります。
したがって、私たちは、Dense Multiscale Attendant and Depth-Supervised Network (DmADs-Net) を作成しました。さまざまな深さでの特徴抽出に ResNet を使用し、弱い特徴情報に対するネットワークの注意を向上させるために、マルチスケール畳み込み特徴アテンション ブロックを作成します。
ローカル特徴アテンション ブロックは、高レベルのセマンティック情報に対する拡張ローカル特徴アテンションを有効にするために作成されます。
さらに、特徴融合フェーズでは、さまざまなセマンティック情報の融合を強化するために、特徴リファインメントおよび融合ブロックが作成されます。さまざまなサイズとタイプの 5 つのデータセットを使用して、ネットワークのパフォーマンスを検証しました。
比較実験の結果、DmADs-Net は主流のネットワークよりも優れたパフォーマンスを示しました。
アブレーション実験により、作成されたモジュールの有効性とネットワーク アーキテクチャの合理性がさらに実証されました。

要約(オリジナル)

Deep learning has made important contributions to the development of medical image segmentation. Convolutional neural networks, as a crucial branch, have attracted strong attention from researchers. Through the tireless efforts of numerous researchers, convolutional neural networks have yielded numerous outstanding algorithms for processing medical images. The ideas and architectures of these algorithms have also provided important inspiration for the development of later technologies.Through extensive experimentation, we have found that currently mainstream deep learning algorithms are not always able to achieve ideal results when processing complex datasets and different types of datasets. These networks still have room for improvement in lesion localization and feature extraction. Therefore, we have created the Dense Multiscale Attention and Depth-Supervised Network (DmADs-Net).We use ResNet for feature extraction at different depths and create a Multi-scale Convolutional Feature Attention Block to improve the network’s attention to weak feature information. The Local Feature Attention Block is created to enable enhanced local feature attention for high-level semantic information. In addition, in the feature fusion phase, a Feature Refinement and Fusion Block is created to enhance the fusion of different semantic information.We validated the performance of the network using five datasets of varying sizes and types. Results from comparative experiments show that DmADs-Net outperformed mainstream networks. Ablation experiments further demonstrated the effectiveness of the created modules and the rationality of the network architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google