图形和变压器引导的边界意识网络用于医疗图像细分
Shanshan Xu1, Lianhong Duan2, Yang Zhang3
1School of Computer and Information Technology, Beijing Jiaotong University, Beijing, China; Beijing Key Laboratory of Traffic Data Analysis and Mining, Beijing Jiaotong University, Beijing 100044, China.
Computer methods and programs in biomedicine
|October 14, 2023
概括
一个新的医疗图像细分模型,GTBA-Net,有效地处理复杂的背景和噪音. 它准确地划出了模两可的界限,在各种成像模式中超越现有的方法.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医疗图像细分至关重要,但由于复杂的背景,噪音和模两可的界限而具有挑战性.
- 现有的基于U-Net的模型在解决这些细分困难时面临局限性.
研究的目的:
- 引入一种新的U形图形和变压器引导的边界意识网络 (GTBA-Net),以改善医疗图像细分.
- 为了应对复杂的背景,无关的噪音和医学成像中的模两可的界限所带来的挑战.
主要方法:
- GTBA-Net使用ResNet34骨干,用于本地化使用全球特征聚合 (GFA),用于噪声抑制使用基于图形的动态特征融合 (GDFF),用于边界划分使用基于不确定性的边界精细化 (UBR).
- 为了有效地定位目标,GFA使用自我注意力. GDFF使用图表注意保险丝特征并抑制噪音,同时保留细节.
- UBR 结合了不确定性量化策略和辅助损失来精细化模两可的界限.
主要成果:
- 与现有方法相比,GTBA-Net在五个不同的医学成像数据集 (X射线,CT,内镜,超声波) 上表现出优越的性能.
- 废弃性研究证实了GFA,GDFF和UBR模块对局部化,噪声抑制和边界精细化的个人贡献.
结论:
- GTBA-Net显示出在医学图像细分中广泛应用的巨大潜力.
- 该模型在复杂的背景,噪音和模两可的界限的情况下特别有效.
