Deep Fusion and Residual Attention for NIR Imaging

Fusión profunda y atención residual para imágenes NIR

Descripción general: este repositorio contiene la implementación de un modelo avanzado de aprendizaje profundo diseñado para mejorar las imágenes médicas. El proyecto se centra en la integración de redes neuronales convolucionales profundas con mecanismos de fusión y atención residual para mejorar la precisión y eficiencia de la reconstrucción de imágenes.

Características clave: 1-Procesamiento de entrada dual: utiliza datos de reflectancia NIR de dos fuentes LED diferentes para garantizar una captura integral de características. 2-Mecanismo de atención residual: incorpora bloques de apretar y excitar dentro de los marcos de atención residual para mejorar la importancia de las características de forma dinámica. 3-Estrategia de fusión profunda: emplea una capa de fusión que combina de manera efectiva características extraídas de entradas duales, optimizando el proceso de reconstrucción de imágenes. 4-Métricas de rendimiento avanzadas: implementa métricas como RMSE (error cuadrático medio), MAE (error absoluto medio) y PSNR (relación señal-ruido pico) para evaluar el rendimiento del modelo.

Arquitectura del modelo: la arquitectura del modelo está diseñada centrándose en el manejo de las complejidades de los datos NIR. Utiliza capas convolucionales diseñadas para procesar datos de reflectancia unidimensionales, transformándolos a través de una serie de capas convolucionales mejoradas antes de reconstruir la salida de la imagen final. La arquitectura enfatiza la capacidad de detectar características sutiles en imágenes que son cruciales para un diagnóstico preciso.