Deep Fusion and Residual Attention for NIR Imaging

Fusão profunda e atenção residual para imagens NIR

Visão geral: Este repositório contém a implementação de um modelo avançado de aprendizado profundo projetado para aprimorar imagens médicas. O projeto concentra-se na integração de redes neurais convolucionais profundas com mecanismos de fusão e atenção residual para melhorar a precisão e eficiência da reconstrução de imagens.

Principais recursos: Processamento de 1 entrada dupla: utiliza dados de refletância NIR de duas fontes de LED diferentes para garantir a captura abrangente de recursos. 2-Mecanismo de Atenção Residual: Incorpora blocos de compressão e excitação em estruturas de atenção residual para aumentar dinamicamente a importância do recurso. Estratégia 3-Deep Fusion: Emprega uma camada de fusão que combina efetivamente recursos extraídos de entradas duplas, otimizando o processo de reconstrução da imagem. 4-Métricas de desempenho avançadas: implementa métricas como RMSE (Root Mean Square Error), MAE (Mean Absolute Error) e PSNR (Peak Signal-to-Noise Ratio) para avaliar o desempenho do modelo.

Arquitetura do modelo: A arquitetura do modelo é projetada com foco no tratamento das complexidades dos dados NIR. Ele usa camadas convolucionais adaptadas para processar dados de refletância unidimensionais, transformando-os através de uma série de camadas convolucionais com atenção aprimorada antes de reconstruir a saída final da imagem. A arquitetura enfatiza a capacidade de detectar características sutis em imagens que são cruciais para diagnósticos precisos.