ध्यान गेटेड नेटवर्क: चिकित्सा छवियों में प्रमुख क्षेत्रों का लाभ उठाने के लिए सीखना

हम चिकित्सा छवि विश्लेषण के लिए एक नया ध्यान गेट (AG) मॉडल प्रस्तावित करते हैं जो स्वचालित रूप से विभिन्न आकारों और रूपों की लक्षित संरचनाओं पर ध्यान केंद्रित करना सीखता है। AG के साथ प्रशिक्षित मॉडल इनपुट छवि में अप्रासंगिक क्षेत्रों को स्वाभाविक रूप से दबाना सीखते हैं जबकि विशिष्ट कार्य के लिए उपयोगी प्रमुख विशेषताओं को उजागर करते हैं। इसका अर्थ यह है कि जब अपतटीय तंत्रिका नेटवर्क (CNNs) का उपयोग किया जाता है, तो स्पष्ट बाह्य ऊतक/अंग स्थानीयकरण मॉड्यूल का उपयोग करने की आवश्यकता को समाप्त किया जा सकता है। AG को मानक CNN मॉडलों जैसे VGG या U-Net आर्किटेक्चर में न्यूनतम संगणनात्मक ओवरहेड के साथ आसानी से एकीकृत किया जा सकता है जबकि मॉडल की संवेदनशीलता और भविष्यवाणी सटीकता में सुधार होता है। प्रस्तावित AG मॉडलों का मूल्यांकन विभिन्न कार्यों पर किया गया है, जिसमें चिकित्सा छवि वर्गीकरण और विभाजन शामिल हैं। वर्गीकरण के लिए, हम भ्रूण अल्ट्रासाउंड स्क्रीनिंग के लिए स्कैन प्लेन पहचान में AG के उपयोग के मामलों को प्रदर्शित करते हैं। हम दिखाते हैं कि प्रस्तावित ध्यान तंत्र कुशल वस्तु स्थानीयकरण प्रदान कर सकता है जबकि गलत सकारात्मक को कम करके समग्र भविष्यवाणी प्रदर्शन में सुधार करता है। विभाजन के लिए, प्रस्तावित आर्किटेक्चर का मूल्यांकन दो बड़े 3D सीटी पेट डेटा सेटों पर मैनुअल एनोटेशन के साथ किया गया है। प्रयोगात्मक परिणाम दिखाते हैं कि AG मॉडल विभिन्न डेटा सेटों और प्रशिक्षण आकारों में आधार आर्किटेक्चर के भविष्यवाणी प्रदर्शन में लगातार सुधार करते हैं जबकि संगणनात्मक दक्षता को बनाए रखते हैं। इसके अलावा, AG मॉडल सक्रियताओं को प्रमुख क्षेत्रों के चारों ओर केंद्रित करने के लिए मार्गदर्शन करते हैं, जो यह समझने में बेहतर अंतर्दृष्टि प्रदान करते हैं कि मॉडल की भविष्यवाणियाँ कैसे की जाती हैं। प्रस्तावित AG मॉडलों का स्रोत कोड सार्वजनिक रूप से उपलब्ध है.