Deep Fusion and Residual Attention for NIR Imaging

Perpaduan Mendalam dan Perhatian Sisa untuk Pencitraan NIR

Ikhtisar: Repositori ini berisi implementasi model pembelajaran mendalam tingkat lanjut yang dirancang untuk meningkatkan pencitraan medis. Proyek ini berfokus pada integrasi jaringan saraf konvolusional dalam dengan mekanisme fusi dan perhatian sisa untuk meningkatkan akurasi dan efisiensi rekonstruksi gambar.

Fitur Utama: 1-Pemrosesan Input Ganda: Memanfaatkan data reflektansi NIR dari dua sumber LED berbeda untuk memastikan penangkapan fitur yang komprehensif. 2-Mekanisme Perhatian Residu: Menggabungkan blok pemerasan dan eksitasi dalam kerangka perhatian sisa untuk meningkatkan kepentingan fitur secara dinamis. Strategi 3-Fusi Mendalam: Menggunakan lapisan fusi yang secara efektif menggabungkan fitur-fitur yang diekstrak dari input ganda, mengoptimalkan proses rekonstruksi gambar. 4-Metrik Kinerja Tingkat Lanjut: Menerapkan metrik seperti RMSE (Root Mean Square Error), MAE (Mean Absolute Error), dan PSNR (Peak Signal-to-Noise Ratio) untuk mengevaluasi kinerja model.

Arsitektur Model: Arsitektur model dirancang dengan fokus pada penanganan kompleksitas data NIR. Ia menggunakan lapisan konvolusional yang disesuaikan untuk memproses data reflektansi satu dimensi, mengubahnya melalui serangkaian lapisan konvolusional yang ditingkatkan perhatiannya sebelum merekonstruksi keluaran gambar akhir. Arsitekturnya menekankan kemampuan untuk mendeteksi fitur halus dalam gambar yang penting untuk diagnostik yang akurat.