相关实验视频
Updated: Jul 12, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
437
TGDAUNet:基于变压器和GCNN的双分支注意力UNet用于医疗图像细分的UNet
Pengfei Song1, Jinjiang Li1, Hui Fan1
1Co-Innovation Center of Shandong Colleges and Universities: Future Intelligent Computing, School of Computer Science and Technology, Shandong Technology and Business University, Laishan District, Yantai, 264005, China.
Computers in biology and medicine
|October 27, 2023
概括
本研究介绍了TGDAUNet,这是一个新的双分支网络,将CNN和变压器结合起来,用于精确的医疗图像细分. 该方法通过融合多层次特征和采用注意力机制,有效地完善目标边界,在各种数据集中表现优于现有的方法.
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
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的医学图像细分对于临床诊断至关重要.
- 现有的变压器-CNN混合动力经常忽视多尺度位置信息,并与模糊的界限作斗争.
- 目前用于边界检测的方法可能无法完全捕捉区域边界关系.
研究的目的:
- 提出TGDAUNet,一个新的双分支网络,用于准确的医疗图像细分.
- 解决现有方法在多尺度特征融合和边界精细化方面的局限性.
- 改善医疗图像中病变的细分,特别是那些具有复杂结构的病变.
主要方法:
- 开发了具有双分支骨干 (CNN和变压器) 和并行注意力机制的TGDAUNet.
- 从CNN中实现高层次语义特征的多尺度融合,以补充低层次位置信息.
- 采用极化自我注意 (PSA) 模块进行多尺度特征合和全球依赖性建立.
- 引入了反向图形推理融合 (RGF) 和特征聚合 (FA) 模块,用于全球上下文指导和边界精细化.
主要成果:
- 与流行的现有方法相比,TGDAUNet在医疗图像细分方面表现出卓越的性能.
- 在不同的数据集上进行了实验,包括CVC-ClinicDB,Kvasir-SEG,ETIS,CVC-ColonDB,CVC-300,ISIC-2016和ISIC-2017.
- 拟议的方法有效地细化了目标边界,并应对模糊结构和异质纹理等挑战.
结论:
- TGDAUNet在自动医疗图像细分方面取得了重大进展.
- 多尺度特征融合和先进的注意力机制的整合导致了更高的细分精度.
- 该方法显示了临床应用的巨大潜力,需要精确的病变细分.
