엔드-투-엔드 융합 딥 뉴럴 네트워크 기반의 의료 하이퍼스펙트럼 이미지 분류

제한된 샘플로 인해 고통받는 감독형 합성곱 신경망(CNN) 모델의 문제를 해결하기 위해, 의료 하이퍼스펙트럼 이미지(MHSI) 분류 작업을 위한 2채널 CNN이 개발되었습니다. 제안된 네트워크에서는 엔드-투-엔드 네트워크의 한 채널, 즉 EtoE-Net이 비감독 학습을 실현하도록 설계되어, 원본 MHSI 데이터와 그 주요 성분 간의 픽셀-대-픽셀 매핑을 구축함으로써 덜한 잡음으로 대표적이고 글로벌 융합 특성을 얻습니다. 다른 한편으로는 간단하지만 효율적인 CNN이 지역적 세부 정보를 제공하기 위해 사용됩니다. 두 채널(즉, EtoE-Net과 전형적인 CNN)에서 다양한 기본 레이어에서 추출된 특성은 벡터로 연결되어 글로벌 및 지역 정보를 동시에 유지할 것으로 예상됩니다. 또한, EtoE-Fusion이라는 이름의 2채널 딥 융합 네트워크가 설계되어, 특성 차원 축소를 위해 전체 연결이 사용됩니다. 제안된 프레임워크의 효과를 평가하기 위해 두 개의 MHSI 데이터 세트에 대해 실험이 수행되었으며, 결과는 MHSI 분류에서 제안된 방법의 가능성을 확인합니다.