Attention U-Net Based on Bi-ConvLSTM and Its Optimization for Smart Healthcare
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As an important part of cyber–physical–social intelligence, artificial intelligence (AI)-driven smart healthcare is committed to promoting the application of human–machine hybrid augmented intelligence in the medical field, including AI-assisted medical image analysis and lesion recognition. Among them, deep learning models represented by fully convolutional networks (FCNs) have achieved excellent performance in medical image segmentation. However, limited by the complex structure of segmentation networks and the inherently redundant characteristics of convolutional operation, the scale of these models is extremely large. To further promote the application of machine intelligence in the field of medical image analysis, we propose an attention U-Net based on Bi-ConvLSTM (AUBC-Net) for accurate segmentation of medical images in this article. Different from classical U-Net, the proposed model deals with the potential association between decoding features and encoding features by bidirectional convolution LSTM. Furthermore, for the inherent redundancy characteristics of FCNs, we propose a lightweight feature generation strategy and optimize the calculation process of Bi-ConvLSTM based on tensor multilinear algebra, which can greatly reduce the number of network parameters. In addition, we have conducted the image segmentation experiments on two benchmark medical datasets, and the experimental results demonstrate that the proposed model can not only achieve better performance than existing methods, but also effectively compress network parameters while ensuring performance, which greatly facilitates AI-driven smart medical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle