Xiaoqi-Zhao-DLUT/MSNet-M2SNet

해결하는 문제

이 프로젝트는 고정밀 의료 영상 세그멘테이션을 위한 두 가지 신경망 아키텍처인 MSNet과 M2SNet을 제공합니다. 대장내시경에서의 폴립, CT 스캔에서의 코로나19 폐 감염, 유방 초음파 및 안과 OCT 층 분석과 같은 특정 해부학적 구조나 병변을 의료 영상에서 정확히 식별하고 분리하는 문제를 해결하며, 계산량(FLOPs)을 낮게 유지합니다.

작동 방식

시스템은 '다중 스케일 빼기 네트워크' 접근법을 사용합니다. 층 내부 및 층 간의 다중 스케일 빼기 설계를 통해 다양한 스케일의 특징을 포착하여, 타겟 객체와 배경을 더 잘 구분할 수 있도록 합니다. 또한 트레이닝 없이도 사용 가능한 손실 네트워크를 포함하여 세그멘테이션 과정을 최적화합니다.

대상 사용자

이 프로젝트는 대장내시경에서의 폴립 세그멘테이션, CT 스캔에서의 폐 감염 분석, 안과에서의 OCT 층 세그멘테이션과 같은 AI 기반 진단 도구를 개발하는 의료 영상 연구자 및 개발자에게 적합합니다.

주요 특징

• 다중 스케일 빼기: 층 내부 및 층 간 전용 구조를 사용하여 세그멘테이션 맵을 정교화합니다.
• 다양한 의료 응용: 폴립(이미지 및 동영상), 코로나19 폐 감염, 유방 초음파, OCT 층 등 다양한 데이터셋에서 효과가 입증되었습니다.
• 계산 효율성: 특히 Res2Net-50 백본을 사용할 경우 낮은 FLOPs 설계가 되어 있습니다.
• 수상 경력: MICCAI 2022 GOALS 챌린지에서 녹내장 OCT 분석 부문에서 2위를 차지했습니다.