BEA-Net:身体和边缘意识网络,具有多规模的短期连锁,用于医疗图像分割

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 医学图像细分对于疾病诊断和预后至关重要.
• 现有的方法可能难以捕捉多个尺度的特征,并区分身体和边缘信息.

研究的目的:

• 为改善医疗图像细分提出一种新的2D身体和边缘感知网络.
• 通过有效捕捉多尺度表示和学习独特的身体和边缘特征来提高细分性能.

主要方法:

• 一个新的网络架构,包含多个规模的短期连接模块,用于捕获多种接收场.
• 引入使用特征调整和多尺度卷积 (索贝尔内核) 的机身生成模块和边缘生成模块.
• 设计具有融合输出的并行体和边缘解码器,并应用深度监控来增强功能学习.

主要成果:

• 与六个公共数据集的基准相比,拟议的方法实现了高于平均的Dice相似系数和95%的豪斯多夫距离.
• 废除研究证实了多尺度表示学习,身体/边缘生成模块和深度监督的有效性.

结论:

• 开发的2D身体和边缘感知网络在医疗图像细分方面取得了重大进展.
• 该网络能够学习多个尺度的特征和身体/边缘信息,这有助于其在各种医学成像任务中的有效性和通用性.