LEACS:一个可学习和高效的活跃轮模型,具有空间频率聚合,用于医疗图像细分
Bing Wang1,2, Jie Yang1, Yunlai Zhou1
1College of Mathematics and Information Science, Hebei University, Baoding, 071000, Hebei, People's Republic of China.
Physics in medicine and biology
|December 4, 2023
概括
本研究介绍了一种有效的医疗图像主动轮细分模型. 这种新的方法改善了兴趣区域的划分,克服了边界精细化和图像质量方面的挑战.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机辅助诊断是一种计算机辅助的诊断.
- 生物医学成像学 生物医学成像学
背景情况:
- 对感兴趣区域 (ROI) 的准确细分对于疾病诊断和监测至关重要.
- 医疗图像细分的挑战包括未精细的边界,强度变化和获取限制.
研究的目的:
- 为医疗图像开发一个端到端可学习和高效的活跃轮细分模型.
- 为了提高ROI划分和细分的准确性和效率.
主要方法:
- 提出了一种综合模型,将全球凸细分 (GCS) 模块与轻量级编码器-解码器卷积细分网络与多尺度注意模块 (ED-MSA) 结合起来.
- 在ED-MSA中内置空间频率聚合层,用于GCS的精确初始轮生成.
- 在ED-MSA中使用深度可分离的卷积残余模块,以减轻模型过拟.
主要成果:
- 综合ED-MSA和GCS模型在四个具有挑战性的医疗图像数据集中对ROI进行细分方面表现出有效性.
- 提出的方法实现了准确和高效的划界,解决了现有技术的局限性.
结论:
- 开发的活跃轮细分模型为医疗图像分析提供了强大的解决方案.
- 这种方法有可能通过增强的图像细分来提高诊断准确性和疾病监测.
