TBUnet:一种纯粹的卷积U-Net,能够用于医疗图像分割的多面特征提取

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:

• 目前的卷积神经网络 (CNN) 由于受体场的有限,在医学图像中与不同的依赖性作斗争.
• 基于U-Net的网络提供了深度特征表示,但缺乏对多范围依赖的明确建模.
• 大型内核卷积的进步可以更好地提取低频信息,以改善细分.

研究的目的:

• 为应对具有异质结构和模糊边界的医学病变细分的挑战.
• 提出一个新的纯卷积网络,TBUnet,用于准确的医疗图像细分.
• 为了改善黑色素瘤,结肠和乳腺癌等疾病的细分.

主要方法:

• TBUnet采用三分支架构来提取高频,低频和边界信息.
• 一个新的融合层 (FL) 模块,使用值和逻辑操作,融合了来自分支的特征地图.
• 跳过连接上的特征增强 (FE) 模块强调细粒度的特征,在网络阶段之间具有不同的通道输入.

主要成果:

• 在ISIC-2018黑色素瘤细分数据集上,TBUnet实现了91.08%的子相似系数 (DSC).
• 该方法在BUSI (82.48% DSC) 和Kvasir-SEG (89.04% DSC) 数据集上的性能优于最先进的技术.
• 实验结果证实了TBUnet在不同医学成像任务中卓越的细分性能和概括能力.

结论:

• TBUnet有效地建模了多范围依赖关系,以实现卓越的医疗图像细分.
• 拟议的网络架构和模块增强了复杂病变的细分.
• 在需要精确的病变识别的临床应用中,TBUnet具有很强的潜力.