M-Net: Integrating Spectral Features and Physical Field Operators into Deep Learning for Medical Image Segmentation
Di cosa parla
M-Net è una rete di deep learning per la segmentazione di immagini mediche che combina l’apprendimento dai dati con analisi matematiche esplicite. Usa una misura continua della "stabilità" locale della texture, operatori che evidenziano punti di massimo/minimo e irregolarità dei bordi dalle variazioni di intensità, e un meccanismo che fonde queste informazioni nella rete; i test su tre dataset clinici mostrano un miglioramento rispetto alla rete di base.
Cosa permette di osservare
Permette di esplorare se e come inserire conoscenze matematiche esplicite nelle reti possa integrare l’apprendimento dai dati nella segmentazione medica, quali tipi di analisi locale siano più utili (texture, bordi) e come combinarle con le rappresentazioni apprese.
Dalla fonte
Purpose: Deep learning-based medical image segmentation has achieved remarkable success, yet purely data-driven approaches often fail to exploit the rich mathematical structure inherent in medical images. We investigate whether explicit mathematical inductive biases, specifically matrix spectral analysis and vector calculus operators, can enhance segmentation beyond data-driven learning alone. Methods: We propose M-Net (Math-Augmented Network), which integrates three complementary mathematical priors into U-Net: (1) continuous spectral features derived from the condition number of centered local pixel matrices, providing a differentiable measure of texture ill-conditioning; (2) physical field operators (divergence and a discrete curl-like boundary irregularity operator) computed from image gradient fields, capturing focal intensity extrema and edge non-smoothness; and (3) a Math-Attenti…