SCANeXt:通过双重注意力网络和深度智能卷积来增强3D医疗图像细分
Yajun Liu1, Zenghui Zhang1, Jiang Yue2
1Shanghai Key Laboratory of Intelligent Sensing and Recognition, Shanghai Jiao Tong University, China.
Heliyon
|March 5, 2024
概括
SCANeXt是一种用于3D医疗图像细分的新方法,它与ConvNeXt集成了空间和通道双重注意力. 这种方法增强了表示学习,在基准数据集上实现了最先进的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 卷积神经网络 (CNN) 在局部特征提取方面表现出色,但在3D医疗图像中的全球表示方面扎.
- 视觉转换器通过自我注意机制有效地捕捉远程依赖和全球背景.
- 现有的方法在同时处理本地和全球特征提取以进行3D医学图像细分方面存在局限性.
研究的目的:
- 介绍SCANeXt,一种用于3D医疗图像细分的新型混合方法.
- 为了提高性能,利用卷积架构和基于变压器的架构的优势.
- 通过将空间和道注意力与先进的卷积块集成来增强表示学习.
主要方法:
- 拟议的SCANeXt模型将双重注意力 (空间和通道注意力) 与ConvNeXt架构相结合.
- 引入了一种新的自我注意力机制,专注于跨特征维度的空间和通道关系.
- 整合了一个灵感来自ConvNeXt的深度智能卷积块,用于多尺度特征提取注意力后.
主要成果:
- 在Synapse,BraTS和ACDC数据集中,SCANeXt在3D医疗图像细分方面表现出卓越的准确性.
- 在ACDC数据集上获得了95.18%的最先进的子相似度得分.
- 在评估中明显优于现有的3D医疗图像细分方法.
结论:
- 通过结合双重注意力和ConvNeXt,SCANeXt有效地增强了对3D医疗图像的表示学习.
- 拟议的方法为准确的3D医疗图像细分提供了一种强大的新方法.
- SCANeXt为医疗图像分析任务的性能设定了新的基准.
