该项目致力于在提高现有医学图像分割模型的实时高效性、适应不同数据的能力,在提高现有医学图像分割模型性能的同时降低其计算量和参数量。并完成相关文档撰写,论文及专利转化。在 Intel 酷睿i5 CPU、1000×1000分辨率图像上不做任何推理加速处理的模型推理时间为168ms左右,分割准确性相对于现有模型进一步提高。自研的上采样与下采样策略在其它模型上均能达到约1%以上的性能提升,具备很好的即插即用能力
   1、收集并查阅相关论文,3D图像的切片处理,标签处理,增强处理
2、基于U-Net 结构,以自调制机制改进Transformer的自注意力,结合残差结构,搭建了一个简单高效的通用结构,基于该结构设计了特征提取、下采样、上采样以及跳跃连接
3、基于U-Net 结构,采用ConvNeXt 的卷积设计理念,并结合SegNeXt的大核卷积与多尺度策略,同时引入自调制机制,此外改进了现有方法的上采样与下采样策略
4、通过训练过程不断迭代,调整超参并优化