FocalTransNet:医療画像セグメンテーションのためのハイブリッドの焦点強化トランスフォーマーネットワーク

科学分野:

• 医学画像分析
• 深層学習
• コンピュータ・ビジョン

背景:

• コンボリューションニューラルネットワーク (CNN) は医療画像のセグメンテーションに優れているが,受容領域は限られている.
• トランスフォーマーをCNNに組み込むことで 遠隔依存は改善されますが 細かい詳細は失われます
• 既存のハイブリッドモデルは スケールを超えた包括的な機能融合に苦労しています

研究 の 目的:

• 医療画像セグメンテーションの改善のための新しいハイブリッドトランスフォーマーネットワークであるFocalTransNetを導入する.
• 現行のセグメンテーションモデルの局所的な受容領域の制限と詳細の損失に対処する.
• 複数のスケールでローカルとグローバルな特徴を効果的に融合させることで優れたパフォーマンスを達成します.

主な方法:

• 焦点強化 (FE) トランスフォーマーモジュールを開発し,CNN-トランスフォーマーダブルパス構造で密度の高いクロス接続を行いました.
• 全局的な特性の抽出と融合のためにエンコーダー全体に FE トランスフォーマーを展開しました.
• ダウンサンプリング中に微細な粒子を保存するために,対称なパッチ融合 (SPM) モジュールが導入されました.

主要な成果:

• FocalTransNetは4つの医療画像セグメンテーションのベンチマークで優れたパフォーマンスを示しました.
• 最先端のCNN,トランスフォーマー,既存のハイブリッドネットワークを上回った.
• FEトランスフォーマーとSPMモジュールは,機能融合と詳細保存を効果的に扱った.

結論:

• FocalTransNetは医療画像のセグメント化に 重要な進歩をもたらしています
• ハイブリッドのアプローチはCNNとトランスフォーマーを 組み合わせたものです
• この方法は,高度なセグメンテーションの精度を必要とする様々な医療イメージングアプリケーションに希望を示しています.