RFE-UNet:远程特征探索与本地学习用于医疗图像分割
Xiuxian Zhong1, Lianghui Xu1, Chaoqun Li1
1College of Information Science and Engineering, Xinjiang University, Urumqi 830049, China.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
这项研究引入了一种新的远程特征探索 (RFE) 模块,通过将本地细节学习与远程建模功能相结合,增强医疗图像细分. RFE模块可以提高复杂医疗图像的细分精度.
科学领域:
- 计算机视觉 计算机视觉
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 卷积神经网络 (CNN) 的远程建模能力有限.
- 变形金刚在全球建模方面表现出色,但在局部细节方面扎.
- 医疗图像细分需要本地细节和距离建模能力.
研究的目的:
- 为了解决CNN和用于医疗图像细分的变压器的局限性.
- 为改进远程和本地特征学习提出一个新的模块.
- 引入一个新的多器官细分数据集 (MOD) 用于评估.
主要方法:
- 开发一个远程特征探索 (RFE) 模块.
- 集成RFE模块以协助使用远程元件生成本地功能.
- 创建和使用MOD数据集与Synapse数据集一起用于验证.
主要成果:
- 拟议的方法在Synapse数据集上实现了79.77%的DSC.
- 该方法在新创建的MOD数据集上实现了75.12%的DSC.
- HD95分数在Synapse上为21.75毫米,在MOD上为7.43毫米,表明细分精度有所提高.
结论:
- RFE模块通过利用远程功能进行本地细节生成,有效地增强了医疗图像细分.
- 拟议的方法在既有和新型医疗成像数据集上都表现出卓越的性能.
- 这项工作为开发更准确的医疗图像细分网络提供了有希望的方向.
