DSKCA-UNet:用于医疗图像细分的动态选择性内核通道关注
Longfeng Shen1,2,3, Qiong Wang1,3, Yingjie Zhang1,3
1Anhui Engineering Research Center for Intelligent Computing and Application on Cognitive Behavior (ICACB), College of Computer Science and Technology, Huaibei Normal University, Huaibei, China.
Medicine
|September 29, 2023
概括
这项研究通过向Swin-UNet引入动态选择性注意力机制来增强医疗图像细分. 改进的模型捕捉了远程依赖性,并减少了复杂性,在腹部和心脏细分任务中实现了高精度.
科学领域:
- 医学图像分析 医学图像分析
- 对于医学成像的深度学习
- 计算机视觉在医疗保健中的应用
背景情况:
- U-Net对于医疗图像细分很受欢迎,但在远程依赖方面存在困难.
- 变压器通过自我注意 (SA) 捕获远程依赖,但高维度会导致计算复杂性.
- 现有的SA方法忽略了样本之间的相关性,从而限制了性能.
研究的目的:
- 增强Swin-UNet,以改善医疗图像细分.
- 在高维度医疗数据中解决自我注意的局限性.
- 开发一种复杂度降低且性能强大的模型.
主要方法:
- 在Swin-UNet中为卷积内核引入了一个动态选择性注意力机制.
- 实施了本地跨道交互策略,而不减少维度.
- 利用编码器特征和混合损失函数 (加权交叉和子损失) 之间的全局相互作用.
主要成果:
- 在Synapse腹部数据集上获得了80.30%的子相似系数和95%的豪斯多夫距离14.55%.
- 在ACDC心脏数据集上获得了90.80%的子相似系数.
- 在评估的数据集上表现出良好的概括能力和稳定性.
结论:
- 提出的动态选择性注意力机制改进了用于医疗图像细分的Swin-UNet.
- 该方法有效处理高维数据,减少模型复杂性,并减轻类别不平衡.
- 改进后的模型显示出作为医疗图像细分的强大工具的巨大潜力.
