LD-UNet:用于医疗图像中模糊边界的细分的远距离感知模型
Shuchao Chen1, Chao Luo2, Shanshan Liu1
1School of Life & Environmental Science, Guilin University of Electronic Technology, Guilin, 541004, China.
Computers in biology and medicine
|February 17, 2024
概括
准确地划分模糊的医学图像边界是具有挑战性的. 拟议的远距离感知UNet (LD-UNet) 模型显著提高了边缘不清楚的瘤的细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医学成像中的细分精度通常受到目标区域边界模糊性的限制.
- 这一挑战阻碍了自动化医学图像分析的进步.
研究的目的:
- 开发一种新型模型,远距离感知UNet (LD-UNet),以增强模糊边界的医疗图像的细分.
- 通过利用远距离语义上下文,提高对局部模糊信息的准确评估.
主要方法:
- 拟议的LD-UNet模型包含全球和本地长距离诱导模块,以增强功能依赖感知.
- 实施了自上而下的深度监督方法,以提高数据拟合能力.
- 在四个瘤数据集 (鼻,食道,胰腺,结肠直肠癌) 上进行了模糊边界的实验.
主要成果:
- 在四个瘤数据集上,LD-UNet分别获得了73.35%,85.93%,70.04%和82.71%的子相似系数得分.
- 与现有方法 (包括变压器) 相比,在分割模糊的边界区域方面表现出卓越的性能.
- 在所有评估的模型中,LD-UNet表现出最佳的整体性能.
结论:
- LD-UNet有效地解决了医疗图像分割中模糊边界的挑战.
- 该模型的远距离感知能力显著提高了对具有挑战性的案例的细分精度.
- LD-UNet代表了一种最先进的方法,用于提高自动化医疗图像细分的准确性.
