Deep Fusion and Residual Attention for NIR Imaging

ฟิวชั่นเชิงลึกและความใส่ใจที่ตกค้างสำหรับการถ่ายภาพด้วย NIR

ภาพรวม: พื้นที่เก็บข้อมูลนี้มีการใช้งานโมเดลการเรียนรู้เชิงลึกขั้นสูงที่ออกแบบมาเพื่อปรับปรุงการถ่ายภาพทางการแพทย์ โครงการมุ่งเน้นไปที่การบูรณาการโครงข่ายประสาทเทียมเชิงลึกเข้ากับกลไกฟิวชั่นและความสนใจที่เหลือ เพื่อปรับปรุงความแม่นยำและประสิทธิภาพของการสร้างภาพใหม่

คุณสมบัติหลัก: การประมวลผลอินพุต 1 คู่: ใช้ข้อมูลการสะท้อนของ NIR จากแหล่ง LED ที่แตกต่างกัน 2 แหล่งเพื่อให้แน่ใจว่าสามารถจับภาพคุณสมบัติได้อย่างครอบคลุม กลไกความสนใจ 2 ประการ: รวมบล็อกบีบและกระตุ้นภายในกรอบงานความสนใจที่เหลือ เพื่อเพิ่มความสำคัญของคุณลักษณะแบบไดนามิก กลยุทธ์ฟิวชั่น 3 ระดับลึก: ใช้เลเยอร์ฟิวชั่นที่รวมคุณสมบัติที่ดึงมาจากอินพุตคู่อย่างมีประสิทธิภาพ เพิ่มประสิทธิภาพกระบวนการสร้างภาพใหม่ เมตริกประสิทธิภาพขั้นสูง 4 รายการ: ใช้เมตริกต่างๆ เช่น RMSE (ข้อผิดพลาด Root Mean Square), MAE (ข้อผิดพลาดเฉลี่ยสัมบูรณ์) และ PSNR (อัตราส่วนสัญญาณต่อเสียงรบกวนสูงสุด) เพื่อประเมินประสิทธิภาพของโมเดล

สถาปัตยกรรมแบบจำลอง: สถาปัตยกรรมแบบจำลองได้รับการออกแบบโดยเน้นไปที่การจัดการความซับซ้อนของข้อมูล NIR ใช้เลเยอร์แบบหมุนวนที่ปรับแต่งเพื่อประมวลผลข้อมูลการสะท้อนแสงแบบหนึ่งมิติ โดยเปลี่ยนผ่านชุดของเลเยอร์แบบหมุนวนที่เสริมความสนใจ ก่อนที่จะสร้างเอาต์พุตภาพสุดท้ายขึ้นมาใหม่ สถาปัตยกรรมเน้นความสามารถในการตรวจจับคุณสมบัติที่ละเอียดอ่อนในภาพที่มีความสำคัญต่อการวินิจฉัยที่แม่นยำ