LSKANet:用于机器人手术场景分割的长条带内核注意力网络

科学领域:

• 机器人技术 机器人技术 机器人技术
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 精确的手术场景细分对于机器人辅助手术至关重要.
• 挑战包括当地的特征相似性,文物和不清楚的边界.
• 现有的方法难以应对这些复杂的手术内条件.

研究的目的:

• 开发一种新的深度学习模型,用于精确的外科图像细分.
• 为了解决细分复杂的手术场景具有高精度的局限性.

主要方法:

• 提出了长条带内核注意网络 (LSKANet).
• 引入双块大内核注意力 (DLKA) 进行增强的特征提取.
• 利用多尺度亲和特征融合 (MAFF) 来减轻工件干扰.
• 结合了混合损失与边界引导头 (BGH) 进行边界划分.

主要成果:

• 在三个不同的外科手术数据集上,LSKANet实现了新的最先进的性能.
• 在整个欧盟 (mIoU) 中的平均交叉路口 (mIoU) 显著改善了2.6%,1.4%和3.4%.
• 显示了与各种脊柱的兼容性,提高了它们的细分精度.

结论:

• LSKANet有效地克服了手术场景细分方面的挑战.
• 拟议的模块 (DLKA,MAFF,BGH) 有助于提高准确性和稳定性.
• 这种方法为机器人手术应用提供了有前途的进步.