LANet для сегментации медицинских изображений
https://doi.org/10.21122/2309-4923-2025-1-44-53
Аннотация
В данной работе представлена оригинальная модель LANet, предназначенная для улучшения результатов сегментации медицинских изображений и основанная на нейронной сети MobileViT. Разработанные и интегрированные блоки Efficient Fusion Attention и Adaptive Feature Fusion улучшают качество извлечения признаков и уменьшают избыточность данных. Эффективность представленных блоков подтверждена множеством экспериментов, включая оценку точности на различных наборах данных, на основе таких метрик, как Dice, Precision, Recall, mIoU, оценку производительности модели, а также исследование абляции.
Ключевые слова
LANet,
Lightweight Attention Network,
блок эффективного слияния внимания,
блок адаптивного слияния признаков,
механизм внимания
При поддержке: Данная работа выполнена при поддержке Китайского стипендиального совета (CSC).
Об авторах
Ди Чжао
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Ди Чжао, аспирант кафедры информационных технологий в автоматизированных системах
г. Минск
И. Тан
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
И Тан, аспирант кафедры информационных технологий в автоматизированных системах
г. Минск
Д. Ю. Перцев
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Перцев Д.Ю., кандидат технических наук, доцент, доцент кафедры электронных вычислительных машин
г. Минск
А. Б. Гуринович
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Гуринович А.Б., доцент кафедры информационных технологий автоматизированных систем
г. Минск
Д. В. Куприянова
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Куприянова Д.В., старший преподаватель, исследователь, кафедра электронных вычислительных машин
г. Минск
Список литературы
1. Taghanaki, S.A. Deep semantic segmentation of natural and medical images: a review / S.A.Taghanaki, [etc.] // Artificial Intelligence Review. – 2021. – Vol. 54 – P. 137–178. – DOI: 10.1007/s10462-020-09854-1
2. Tong, L. Aclustering-aidedapproachfordiagnosisprediction: Acasestudyofelderlyfall/ L. Tong,[etc.]// 2022 IEEE 46th Annual Computers, Software, and Applications Conference. – 2022. – P. 337–342. – DOI: 10.1109/COMPSAC54236.2022.00054
3. Yu, H. A scalable region-based level set method using adaptive bilateral filter for noisy image segmentation / H. Yu, F. He, Y. Pan // Multimedia Tools and Applications. – 2020. – Vol. 79. – P.5743-5765. – DOI: 10.1007/s11042-019-08493-1
4. Mehta, S. MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer / S. Mehta, M. Rastegari // arXiv preprint. – 2021. – arXiv: 2110.02178.
5. Li, J. SCConv: Spatial and Channel Reconstruction Convolution for Feature Redundancy / J. Li, Y. Wen, L. He // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2023. – P. 6153-6162. – DOI: 10.1109/CVPR52729.2023.00596
6. Qiu, J. SlimConv: Reducing Channel Redundancy in Convolutional Neural Networks by Features Recombining / J. Qiu, [etc.] // IEEE Transactions on Image Processing. – 2021. – Vol. 30. – P. 6434-6445. – DOI: 10.1109/TIP.2021.3093795
7. Oktay, O. Attention U-Net: Learning Where to Look for the Pancreas / O. Oktay [etc.] // arXiv preprint. – 2018. – arXiv:1804.03999.
8. Jha, D. ResUNet++: An Advanced Architecture for Medical Image Segmentation / D. Jha, [etc.] // 2019 IEEE International Symposium on Multimedia (ISM). – 2019. – P. 225-235. – DOI: 10.1109/ISM46123.2019.00049
9. Zhou, Z. UNet++: A Nested U-Net Architecture for Medical Image Segmentation / Z. Zhou, [etc.] // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. – 2018. – P. 3-11. – DOI: 10.1007/978-3-030-00889-5_1
10. Jha, D. DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation / D. Jha [etc.] // 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS). – 2020. – P. 558-564. – DOI: 10.1109/CBMS49503.2020.00111
11. Berman, M. The Lovasz-Softmax Loss: A Tractable Surrogate for the Optimization of the Intersection-Over-Union Measure in Neural Networks / M. Berman, T.A. Rannen, M.B. Blaschko // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2018. – P. 4413-4421. – DOI: 10.1109/CVPR.2018.00464
12. Jham, D. Kvasir-SEG: A Segmented Polyp Dataset / D. Jham, [etc.] // International Conference on Multimedia Modeling. – 2019. – P. 451-462. – DOI: 10.1007/978-3-030-37734-2_37
13. Bernal, J. WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians / J. Bernal, [etc.] // Computerized Medical Imaging and Graphics. – 2015. – Vol. 43. – P. 99-111. – DOI: 10.1016/j.compmedimag.2015.02.007
14. Tajbakhsh, N. Automated Polyp Detection in Colonoscopy Videos Using Shape and Context Information / N. Tajbakhsh, S.R. Gurudu, J. Liang // IEEE Transactions on Medical Imaging. – 2016. – Vol. 35, Issue 2. – P. 630-644. – DOI: 10.1109/TMI.2015.2487997.
15. Caicedo, J. C. Nucleus segmentation across imaging experiments: the 2018 Data Science Bowl / J.C. Caicedo, [etc.] // Nature methods. – 2019. – Vol.16. – P. 1247-1253. – DOI: 10.1038/s41592-019-0612-7
16. Deng, J. ImageNet: A large-scale hierarchical image database / J. Deng, [etc.] // 2009 IEEE Conference on Computer Vision and Pattern Recognition. – 2009. – P. 248-255. – DOI: 10.1109/CVPR.2009.5206848
17. T. Ronneberger, O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, Brox // International Conference on Medical Image Computing and Computer-Assisted Intervention. – 2015. – P. 234-241. – DOI: 10.1007/978-3-319-24574-4_28
18. Tomar, N. K. FANet: a feedback attention network for improved biomedical image segmentation / N.K. Tomar, [etc.] // IEEE Transactions on Neural Networks and Learning Systems. – 2022. – Vol. 34, Issue 11. – P. 9375-9388. – DOI: 10.1109/tnnls.2022.3159394
19. Long, J. Fully convolutional networks for semantic segmentation / J. Long, E. Shelhamer, T. Darrell // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2015. – P. 3431-3440. – DOI: 10.1109/CVPR.2015.7298965
20. Fan, D. PraNet: Parallel Reverse Attention Network for Polyp Segmentation / D. Fan, [etc.] // International conference on Medical Image Computing and Computer Assisted Intervention. – 2020. – P. 263-273. – DOI: 10.1007/978-3-030-59725-2_26
Рецензия
Для цитирования:
Чжао Д., Тан И., Перцев Д.Ю., Гуринович А.Б., Куприянова Д.В. LANet для сегментации медицинских изображений. Системный анализ и прикладная информатика. 2025;(1):44-53. https://doi.org/10.21122/2309-4923-2025-1-44-53
For citation:
Zhao D., Tang Y., Pertsau D.Y., Gourinovitch A.B., Kupryianava D.V. LANet for medical image segmentation. «System analysis and applied information science». 2025;(1):44-53. (In Russ.) https://doi.org/10.21122/2309-4923-2025-1-44-53
Просмотров:
176
Послать статью по эл. почте 