相关实验视频
Updated: Jul 8, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
具有背景意识和局部意识的融合与变压器用于医疗图像细分
Hanguang Xiao1, Li Li1, Qiyuan Liu1
1College of Artificial Intelligence, Chongqing University of Technology, Chongqing 401135, People's Republic of China.
Physics in medicine and biology
|December 12, 2023
概括
一个新的变压器模型,FTransConv,通过有效地处理复杂的挑战,如类内多样性和分散分布来增强医疗图像细分. 这个模型在没有预先培训的情况下,在COVID-19 CT和MoNuSeg数据集上实现了卓越的性能.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 在医学图像细分中与远距离关系作斗争.
- 阶级内部的多样性,阶级间的相似性和分散的分布构成了重大细分挑战.
- 现有的模型往往无法捕捉到复杂的空间关系,这对于准确的细分至关重要.
研究的目的:
- 介绍FTransConv,一个新的变压器模型,旨在克服CNN在医疗图像细分方面的局限性.
- 应对包括阶级内部多样性,阶级间相似性和分散分布在内的挑战.
- 在复杂的医学成像场景中提高细分精度.
主要方法:
- 开发了FTransConv,这是一个基于变压器的模型,集成CNN用于医疗图像细分.
- 整合了三个变压器-CNN模块来提取全球和本地图像信息.
- 在解码器中引入了一个全尺寸的挤压激发模块,以增强特征表示.
主要成果:
- 在没有事先培训的情况下,FTransConv在三个COVID-19CT数据集和MoNuSeg数据集上实现了最先进的性能.
- 该模型显示出优异的细分精度,在COVID-19数据集上,子相似系数 (DSC) 为83.22%,在MoNuSeg.Seg上为79.47%.
- 具有26.98M参数的FTransConv的表现优于像Swin-Unet,TransAttUnet和TransUNet.et这样的既定模型.
结论:
- FTransConv为医疗图像细分任务提供了一个有前途的解决方案,具有高度的类间相似性,类内多样性和分散分布.
- 拟议的模型有效地捕捉了远程依赖关系,从而提高了细分性能.
- 这项工作突出了变压器-CNN混合架构的潜力,用于复杂的医学图像分析.
