PFD-Net:用于医疗图像细分的金字塔里埃可变形网络
Chaorong Yang1, Zhaohui Zhang1
1College of Computer and Cyber Security, Hebei Normal University, Shijiazhuang 050024, China; Hebei Provincial Engineering Research Center for Supply Chain Big Data Analytics & Data Security, Shijiazhuang 050024, China; Hebei Provincial Key Laboratory of Network & Information Security, Hebei Normal University, Shijiazhuang 050024, China.
Computers in biology and medicine
|March 19, 2024
概括
新的Pyramid Fourier可变形网络 (PFD-Net) 通过整合本地和全球细节来改进医疗图像细分,优于现有方法在各种数据集上执行诸如多和心脏细分等任务.
科学领域:
- 计算机视觉 计算机视觉
- 医学成像分析 医学成像分析
- 深度学习架构 深度学习架构
背景情况:
- 准确的医学图像细分对于临床诊断至关重要,但当前的方法难以整合本地细节和全球语义信息.
- 这种限制阻碍了细粒度内容的有效细分,包括小目标和不规则的边界.
研究的目的:
- 引入金字塔里埃可变形网络 (PFD-Net),这是一个用于增强医疗图像细分的新型深度学习模型.
- 解决现有方法在捕获本地细节和全球语义上下文方面的局限性.
主要方法:
- PFD-Net采用基于PVTv2的变压器编码器来捕获全球信息,并通过Fast Fourier Convolution Residual (FFCR) 模块来增强本地和全球特征表示.
- 推出了扩展可变形精细化 (DDR) 模块,以提高对不同目标和不规则边界的全球语义结构的理解.
- 具有可变形卷积的跨层融合块 (CLFB) 集成了解码器和辅助CNN编码器的功能,以增强目标感知.
主要成果:
- 在9个医学图像数据集和5个细分任务 (多,腹部,心脏,腺细胞,细胞核) 中,PFD-Net表现出卓越的性能.
- 在具有挑战性的ETIS数据集上获得0.826的领先的mDice得分,超过了以前的先进方法.
- 显示了显著的改进,包括1.8%和3.6%的收益相比HSNet和PVT-CASCADE,分别.
结论:
- PFD-Net有效地利用CNN和变压器的优势,实现卓越的医疗图像细分.
- 拟议的架构显著提高了医疗图像中细分复杂结构和不规则边界的能力.
- PFD-Net在医疗图像细分的准确性和稳定性方面取得了重大进展.
