TPFR-Net:基于变压器聚合和双注意力特征重组的肺结节细分的U形模型
Xiaotian Li1, Ailian Jiang2, Yanfang Qiu1
1College of Information and Computer, Taiyuan University of Technology, Taiyuan, 030000, China.
Medical & biological engineering & computing
|May 27, 2023
概括
这项研究引入了用于肺结节细分的新型模块,通过捕获本地和全球特征来提高准确性. 改进的模型在LIDC-IDRI数据集上实现了卓越的性能,有助于早期肺结节诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 精确的肺结节细分对于诊断肺病变至关重要,但挑战包括复杂的边界和与周围组织的相似性.
- 传统的卷积神经网络 (CNN) 模型经常忽视全球上下文信息,导致不完整的边界细分.
- U型编码器解码器结构在分辨率变化时可以丢失功能信息,从而降低输出可靠性.
研究的目的:
- 通过提出新的模块来解决当前肺结节细分模型的局限性.
- 为了提高地方和全球特征的提取,以便更精确地细分肺结节.
- 提高肺结节细分的可靠性和准确性,用于临床应用.
主要方法:
- 引入一个变压器聚合模块,将自我注意力和聚合层融合在一起,以减少功能损失和计算复杂性.
- 开发使用道和空间注意力的双重注意力特征重组模块,以最大限度地减少在升级采样期间的特征损失.
- 这些模块与卷积模块的集成,形成用于全面特征提取的编码器.
- 在解码器中使用融合损失函数和深度监控策略来训练模型.
主要成果:
- 拟议的模型在LIDC-IDRI数据集上实现了91.84%的子相似系数和92.66%的灵敏度.
- 与最先进的UTNet.Net相比,该模型展示了优越的细分性能.
- 增强的细分为肺结节特征提供了更深入的评估.
结论:
- 拟议的模型通过解决特征损失和整合全球依赖,有效地改善了肺结节细分.
- 先进的细分能力为早期肺结节诊断和医生协助提供了重要的临床价值.
- 新型模块增强了对肺结节形状和大小更准确评估的潜力.
