相关实验视频
Updated: Jun 29, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
395
DSGA-Net:用于医疗图像细分网络的深度可分离门式变压器和注意力策略
Junding Sun1, Jiuqiang Zhao1, Xiaosheng Wu1
1School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, Henan 454000, PR China.
Journal of King Saud University. Computer and information sciences
|April 1, 2024
概括
本研究介绍了DSGA-Net,这是一种用于医疗图像细分的新型深度学习模型. 通过增强特征表示和减少信息丢失,DSGA-Net提高了小器官细分的准确性,优于现有方法.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的医学图像细分对于诊断和治疗规划至关重要.
- 现有的方法难以精确地对小器官进行细分,导致细分不足或过多的问题.
研究的目的:
- 开发一个新的深度学习网络,DSGA-Net,以改善医疗图像细分.
- 解决细分不足和细分过多的挑战,特别是对于小器官.
主要方法:
- 在编码器中引入了深度可分离门视觉变压器 (DSG-ViT),以增强全球,本地和道上下文链接和位置灵敏度.
- 在解码器中提出了混合三分支注意力 (MTA) 模块,以增加在升级采样期间的功能,并最大限度地减少信息丢失.
主要成果:
- DSGA-Net实现了81.24% (Synapse),85.82% (BraTs2020) 和91.34% (ACDC) 的子相似度系数 (DSC).
- 显然降低了Hausdorff分数 (HD) 的20.91% (Synapse) 和5.27% (BraTs2020),显示出与基线TransUNet.net相比的显著改善.
结论:
- DSGA-Net有效地提高了医疗图像细分的准确性,特别是对于小器官.
- 拟议的网络架构在细分任务中优于当前的先进方法.
