Deep Fusion and Residual Attention for NIR Imaging

NIR 成像的深度融合和残余注意力

概述：该存储库包含旨在增强医学成像的高级深度学习模型的实现。该项目专注于将深度卷积神经网络与融合和残差注意力机制相结合，以提高图像重建的准确性和效率。

主要特点： 1-双输入处理：利用来自两个不同 LED 源的 NIR 反射率数据，确保全面的特征捕获。 2-残差注意力机制：在残差注意力框架中纳入挤压和激励块，以动态增强特征重要性。 3-深度融合策略：采用融合层，有效结合从双输入中提取的特征，优化图像重建过程。 4-高级性能指标：实施 RMSE（均方根误差）、MAE（平均绝对误差）和 PSNR（峰值信噪比）等指标来评估模型性能。

模型架构：模型架构的设计重点是处理 NIR 数据的复杂性。它使用专门用于处理一维反射率数据的卷积层，在重建最终图像输出之前通过一系列注意力增强的卷积层对其进行转换。该架构强调检测图像中细微特征的能力，这对于准确诊断至关重要。