TCI-UNet:用于医疗图像分割的变压器-CNN交互模块
Xuan Bian1, Guanglei Wang1, Yanlin Wu1
1College of Electronic and Information Engineering, Hebei University, Hebei 071002, China.
Biomedical optics express
|November 29, 2023
概括
本研究介绍了TCI-UNet,这是一种新的医疗图像细分模型,通过整合变压器和卷积神经网络 (CNN) 组件来增强特征提取. TCI-UNet 改进了全球上下文捕获和本地细节处理,以获得更高的诊断准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 为医疗保健提供深度学习.
背景情况:
- 医学图像细分对于疾病诊断和治疗至关重要.
- UNet是一个流行的网络,但与远程依赖性作斗争.
- 现有的变压器-UNet模型在特征提取灵活性方面存在局限性.
研究的目的:
- 为医疗图像细分开发一个改进的UNet架构.
- 提高医疗图像中全球和本地特征的建模.
- 克服固定受体场和单一特征提取方法在当前模型中的局限性.
主要方法:
- 提出了一个变压器-CNN交互 (TCI) 功能提取模块.
- 将TCI集成到UNet架构中,以创建TCI-UNet.
- 增强变压器自我注意力,以更好地引导注意力图和资源分配.
- 整合了当地多层次信息,以补充全球背景.
主要成果:
- 实现了高的子系数图像增强 (DCIE) 值:在LiTS-2017上达到93.81%,在ISIC-2018上达到88.22%.
- 废弃性研究证实了TCI模块的有效性.
- 与最先进的网络相比,TCI-UNet表现出更高的准确性和概括性.
结论:
- 在医疗图像中,TCI-UNet有效地捕捉了全球背景和当地细节.
- 拟议的TCI模块增强了特征提取能力.
- 在医疗图像细分任务中,TCI-UNet提供了更好的性能.
