BriefGPT - AI 论文速递
·
RICAU-Net：残差块启发的坐标注意力U-Net用于心脏CT中小型稀疏钙化病变的分割
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究提出了一种基于Tversky指数的广义focal loss函数，用于解决医学图像分割中的数据不平衡问题。实验结果显示改进后的Attention U-Net模型在不同数据集上分割精度有所提高。
🎯
关键要点
-
提出了一种基于Tversky指数的广义focal loss函数，解决医学图像分割中的数据不平衡问题。
-
该损失函数在小结构如病变方面，相较于常用的Dice loss，精确率和召回率之间取得了更好的平衡。
-
通过在图像金字塔中加入上下文特征，改进了Attention U-Net模型的性能。
-
在BUS 2017和ISIC 2018数据集上的实验结果显示，分割精度分别提高了25.7%和3.6%。
➡️
