Deep Fusion and Residual Attention for NIR Imaging

NIR 成像的深度融合和殘餘注意力

概述：此儲存庫包含旨在增強醫學影像的高階深度學習模型的實作。該專案專注於將深度卷積神經網路與融合和殘差注意力機制相結合，以提高影像重建的準確性和效率。

主要特點： 1-雙輸入處理：利用兩個不同 LED 來源的 NIR 反射率數據，確保全面的特徵捕獲。 2-殘差注意力機制：在殘差注意力框架中納入擠壓和激勵塊，以動態增強特徵重要性。 3-深度融合策略：採用融合層，有效結合從雙輸入擷取的特徵，優化影像重建流程。 4-進階效能指標：實作 RMSE（均方根誤差）、MAE（平均絕對誤差）和 PSNR（峰值訊號雜訊比）等指標來評估模型效能。

模型架構：模型架構的設計重點在於處理 NIR 資料的複雜性。它使用專門用於處理一維反射率資料的捲積層，在重建最終影像輸出之前透過一系列注意力增強的捲積層對其進行轉換。該架構強調檢測影像中細微特徵的能力，這對於準確診斷至關重要。