Deep Fusion and Residual Attention for NIR Imaging

Fusion profonde et attention résiduelle pour l’imagerie NIR

Présentation : ce référentiel contient la mise en œuvre d'un modèle d'apprentissage profond avancé conçu pour améliorer l'imagerie médicale. Le projet se concentre sur l'intégration de réseaux neuronaux convolutifs profonds avec des mécanismes de fusion et d'attention résiduelle pour améliorer la précision et l'efficacité de la reconstruction d'images.

Caractéristiques principales : 1-Traitement à double entrée : utilise les données de réflectance NIR provenant de deux sources LED différentes pour garantir une capture complète des fonctionnalités. 2-Mécanisme d'attention résiduelle : intègre des blocs de compression et d'excitation dans les cadres d'attention résiduelle pour améliorer dynamiquement l'importance des fonctionnalités. Stratégie de fusion en 3 profondeurs : utilise une couche de fusion qui combine efficacement les fonctionnalités extraites de deux entrées, optimisant ainsi le processus de reconstruction d'image. 4-Mesures de performances avancées : implémente des métriques telles que RMSE (Root Mean Square Error), MAE (Mean Absolute Error) et PSNR (Peak Signal-to-Noise Ratio) pour évaluer les performances du modèle.

Architecture du modèle : l'architecture du modèle est conçue en mettant l'accent sur la gestion des complexités des données NIR. Il utilise des couches convolutives adaptées pour traiter les données de réflectance unidimensionnelles, en les transformant à travers une série de couches convolutives améliorées avant de reconstruire la sortie d'image finale. L'architecture met l'accent sur la capacité de détecter des caractéristiques subtiles dans les images qui sont cruciales pour des diagnostics précis.