Deep Fusion and Residual Attention for NIR Imaging

NIR イメージングのディープフュージョンと残留注意

概要: このリポジトリには、医療画像を強化するために設計された高度な深層学習モデルの実装が含まれています。このプロジェクトは、画像再構成の精度と効率を向上させるために、ディープ畳み込みニューラル ネットワークと融合および残留注意メカニズムを統合することに焦点を当てています。

主な機能: 1 デュアル入力処理: 2 つの異なる LED ソースからの NIR 反射率データを利用して、包括的な特徴を確実にキャプチャします。 2-残留アテンション メカニズム: 残留アテンション フレームワーク内にスクイーズ アンド エキサイト ブロックを組み込み、機能の重要性を動的に強化します。 3-Deep Fusion Strategy: デュアル入力から抽出された特徴を効果的に結合するフュージョン レイヤーを採用し、画像再構成プロセスを最適化します。 4-高度なパフォーマンス メトリクス: RMSE (二乗平均平方根誤差)、MAE (平均絶対誤差)、PSNR (ピーク信号対雑音比) などのメトリクスを実装して、モデルのパフォーマンスを評価します。

モデル アーキテクチャ: モデル アーキテクチャは、NIR データの複雑さを処理することに重点を置いて設計されています。 1 次元の反射率データを処理するように調整された畳み込み層を使用し、最終的な画像出力を再構成する前に、一連の注意を強化した畳み込み層を通じてデータを変換します。このアーキテクチャは、正確な診断に重要な画像内の微妙な特徴を検出する機能を重視しています。