MC-DC:一种基于MLP-CNN的双路径补充网络,用于医疗图像细分.
Xiaoben Jiang1, Yu Zhu1, Yatong Liu1
1School of Information Science and Technology, East China University of Science and Technology, Shanghai, 200237, China.
Computer methods and programs in biomedicine
|October 8, 2023
概括
本研究介绍了基于MLP-CNN的双路径互补 (MC-DC) 网络用于医疗图像细分,为变压器提供了具有成本效益的替代方案. 与现有方法相比,MC-DC网络实现了更高的性能和更低的计算复杂性.
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
背景情况:
- 在医疗图像细分方面,CNN-变压器融合卓越,但受到了高计算成本和数据需求的困扰.
- 现有的方法主要集中在编码器增强上,忽视了医学图像细分中的解码器设计.
研究的目的:
- 提出一个新的,计算效率高的医疗图像细分网络.
- 通过引入基于多层感知器 (MLP) 的方法来解决基于变压器的模型的局限性.
- 增强编码器和解码器设计,以改善医疗图像细分.
主要方法:
- 开发了基于MLP-CNN的双路径互补 (MC-DC) 网络,用MLP取代了变压器.
- 引入了一种双路径互补 (DPC) 模块,用于有效的多层次功能融合.
- 设计了一种双路径解码器,具有跨尺度的全球和本地特征融合模块 (CS-GF和CS-LF) 和一个细分面罩特征融合 (SMFF) 模块.
主要成果:
- 在ISIC2018上实现了91.69%的Dice和9.52mm的ASSD,用于皮肤病变细分.
- 在Kvasir-SEG和CVC-ClinicDB数据集上获得了91.6%和94.4%的多片细分.
- 在肺病变细分 (COVID-DS36) 上表现出强的表现,结果高达92.3%.
结论:
- 拟议的MC-DC网络在各种医学成像任务中显示出异常的概括能力.
- 在细分精度方面,MC-DC超越了最先进的方法,同时保持了较低的计算复杂性.
- 基于MLP-CNN的方法为医学图像细分提供了可行和高效的替代方案.
