SSCFormer:从规模智能和空间通道意识的角度重新审视ConvNet-变压器混合框架,用于体积医学图像分割

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:

• 准确的医学图像细分对于诊断,治疗计划和疾病进展监测等临床应用至关重要.
• 现有的U型架构在多尺度特征建模和整合突出区域注意力机制方面存在局限性.
• 解决规模变化和区域特定特征对于提高自动细分精度至关重要.

研究的目的:

• 提出一个新的ConvNet-Transformer混合框架,SSCFormer,用于准确和多功能医疗图像细分.
• 通过专门的模块增强采集尺度内和尺度间特征.
• 有效地整合全球和扩展的注意力机制,特别是在突出的特征.

主要方法:

• 开发了一个名为SSCFormer的ConvNet-Transformer混合框架.
• 引入了ResInception模块,用于在单个阶段内捕获尺度内特征.
• 设计了一个跨尺度的变压器桥,以促进跨多个阶段的功能交互.
• 综合空间通道意识全球关注和注意力扩展机制.

主要成果:

• 在四个不同的医疗图像细分任务中评估SSCFormer.
• 与当前最先进的方法相比,该框架显示出更高的性能.
• 综合实验验证了拟议方法的有效性.

结论:

• SSCFormer为医疗图像细分提供了一个准确而通用的解决方案.
• 混合架构有效地解决了多尺度建模和注意力集成方面的局限性.
• 拟议的方法显示了通过增强的图像分析来改善临床决策的巨大潜力.