FocalTransNet: una red híbrida de transformadores focales mejorados para la segmentación de imágenes médicas

Área de la Ciencia:

• Análisis de imágenes médicas
• Aprendizaje profundo
• Visión por computadora

Sus antecedentes:

• Las Redes Neurales Convolucionales (CNN) se destacan en la segmentación de imágenes médicas, pero tienen campos receptivos limitados.
• La integración de Transformers en CNNs mejora la dependencia de larga distancia pero puede perder detalles finos.
• Los modelos híbridos existentes luchan con la fusión integral de características en todas las escalas.

Objetivo del estudio:

• Introducir FocalTransNet, una nueva red híbrida de transformadores para mejorar la segmentación de imágenes médicas.
• Abordar las limitaciones de los campos receptivos locales y la pérdida de detalles en los modelos de segmentación actuales.
• Lograr un rendimiento superior mediante la fusión efectiva de características locales y globales en múltiples escalas.

Principales métodos:

• Desarrolló un módulo de transformador con foco mejorado (FE) con conexiones cruzadas densas en una estructura de doble vía CNN-Transformer.
• Implementó el transformador FE en todo el codificador para la extracción y fusión de características locales y globales.
• Se introdujo un módulo de fusión de parches simétricos (SPM) para preservar los detalles de grano fino durante el muestreo descendente.

Principales resultados:

• FocalTransNet demostró un rendimiento superior en cuatro puntos de referencia de segmentación de imágenes médicas.
• El método propuesto superó a las CNNs, Transformers y redes híbridas existentes.
• Los módulos FE Transformer y SPM abordaron efectivamente la fusión de características y la preservación de detalles.

Conclusiones:

• FocalTransNet ofrece un avance significativo en la segmentación de imágenes médicas.
• El enfoque híbrido combina efectivamente las fortalezas de las CNN y los Transformers.
• El método es prometedor para varias aplicaciones de imágenes médicas que requieren una alta precisión de segmentación.