MSMCNet:差异性背景驱动了医疗图像细分的病变的准确定位和边缘光滑
Ke Peng1, Yulin Li1, Qingling Xia2
1College of Artificial Intelligent, Chongqing University of Technology, Chongqing 401135, China.
Computers in biology and medicine
|November 3, 2023
概括
多尺度减法和多键上下文转换网络 (MSMCNet) 通过减少特征冗余性来改善医疗图像细分. 这种新的方法增强了病变的局部化和边界定义,以便更准确的临床诊断.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算机视觉用于诊断.
背景情况:
- 医学图像细分对于临床诊断至关重要.
- 联网架构是成功的,但遭受特征冗余和信息丢失.
- 现有的融合方法限制了特征差异化,影响了病变局部化和边界清晰度.
研究的目的:
- 引入多尺度减法和多键上下文转换网络 (MSMCNet) 以加强医疗图像细分.
- 解决现有方法在特征差异化和信息冗余方面的局限性.
- 为了提高病变定位的准确性和医疗图像中的边界感知.
主要方法:
- 拟议的MSMCNet架构使用差异化的上下文表示.
- 引入了多尺度非交叉减法 (MSNS) 模块,用于特征图像像素再分配.
- 开发了用于上下文编码的多键上下文转换模块 (MCCM).
主要成果:
- 在各种数据集 (ISIC-2018,COVID-19-CT-Seg,Kvasir,TBI) 上,MSMCNet表现出优于最先进的方法的性能.
- MSNS和MCCM模块有效地增强了重要信息,并减少了冗余.
- 在细分任务中实现了精确的损伤定位和改进的边界定义.
结论:
- 在医疗图像细分方面,MSMCNet提供了显著的进步.
- 拟议的模块有效地解决了功能差异化和冗余问题.
- 通过准确的细分,MSMCNet有望改善临床诊断援助.
