GLFNet: 全球局部融合网络用于超声波图像的细分
Shiyao Sun1, Chong Fu2, Sen Xu3
1School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China.
Computers in biology and medicine
|February 9, 2024
概括
我们开发了全球-本地融合网络 (GLFNet),以改进超声波图像细分. 这种混合深度学习模型有效地结合了本地和全球特征,在多个数据集上胜过现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 超声波成像是一种便携式,无辐射的医学成像技术.
- 在超声波图像中精确细分病变是具有挑战性的,因为组织的变化和强度的相似性.
- 现有的深度学习方法,如CNN和视觉转换器在捕捉本地和全球图像特征方面都有局限性.
研究的目的:
- 提出一种新的混合深度学习模型,全球-本地融合网络 (GLFNet),用于增强超声波图像细分.
- 解决医疗图像分析中传统卷积神经网络 (CNN) 和视觉转换器的局限性.
主要方法:
- 引入了全球-本地融合网络 (GLFNet),包括全球-本地融合块 (GLFBlocks).
- 每个GLFBlock都使用并行的全球和本地分支来提取特征.
- 集成的自我注意力卷积融合块 (SACFBlocks) 具有每个分支机构内的空间和通道注意力机制.
主要成果:
- 在多个超声波数据集 (DDTI,BUSI,BUID) 中,GLFNet实现了卓越的细分性能.
- 实现了高的mIoU (欧盟平均交叉点) 和子系数,例如,在DDTI上达到79.58%的mIoU和74.62%的子.
- 与现有的深度学习细分方法相比,证明了更好的准确性.
结论:
- 拟议的GLFNet有效地融合了本地和全球特征,实现了卓越的超声波图像细分.
- GLFNet代表了对超声波图像的自动化分析和解释的有前途的进步.
- 混合架构克服了在这个领域纯粹的CNN或变压器模型的局限性.
