改进了UNet,注意医疗图像分割
Ahmed Al Qurri1, Mohamed Almekkawy1
1School of Electrical Engineering and Computer Science, Pennsylvania State University, University Park, PA 16802, USA.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
本研究介绍了一种改进的UNet模型,将卷积神经网络 (CNN) 和变压器结合起来,以增强医疗图像细分. 新型架构显著提高了CT和超声数据集的细分性能.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 医学图像细分对于诊断至关重要.
- 基于CNN的模型UNet是标准的,但与远程依赖性作斗争.
- 变压器擅长长远程依赖,但缺乏局部细节,导致像TransUNet这样的混合方法.
研究的目的:
- 开发一个先进的UNet架构,集成CNN和变压器来克服医疗图像细分方面的局限性.
- 为了增强跳过连接和解码器中的特征表示,以提高细分精度.
- 解决医疗图像中模糊边界,低对比度和噪音等挑战.
主要方法:
- 提出了一种新的混合CNN-变压器模型,并进行了架构改进.
- 引入了三级注意 (TLA) 模块,包括注意门,频道注意和空间正常化.
- 重新设计的跳过连接受到UNet++的启发,并纳入类似于BASNet的深度监督.
主要成果:
- 拟议的模型始终改善了UNet在CT和超声数据集上的预测性能.
- 三级注意模块有效丰富了特征表示.
- 增强的跳过连接和深度监控减少了语义差距,提高了细分精度.
结论:
- 与标准UNet相比,新的混合UNet架构为医疗图像细分提供了卓越的性能.
- 集成先进的注意力机制和架构修改有效地解决了细分挑战.
- 该模型在不同的医学成像模式中显示了广泛的适用性.
