09:33
官方账号arXiv cs.AI@Mohammad Amanour Rahman
推荐理由：医学图像分割新论文，RadiomicNet用放射组学特征让模型更可解释，参数少但性能超过U-KAN，值得看看。
放射组学
共 1 条相关 AI 资讯
7月3日
09:33
RadiomicNet是一种两流混合架构，在MobileNetV2编码器-解码器中集成手工GLCM和LBP放射组学特征。其Radiomics Attention Gate (RAG)通过这些特征调制跳跃连接注意力，实现前置可解释性。新提出的Radiomics Consistency Loss将期望校准误差(ECE)从0.142降至0.118。在BUSI数据集上Dice系数达0.763，Kvasir-SEG上达0.854，分别超越U-KAN 1.2%和1.8%（p<0.05）。模型仅3.27M参数，比标准U-Net少9.5倍，比U-KAN少4.3倍，GLCM差异(15.24%)、GLCM能量(14.56%)和LBP熵(11.49%)是主导解释特征。