DRA-Net:基于自适应特征提取和区域级信息融合的医疗图像细分

科学领域:

• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断
• 人工智能的人工智能

背景情况:

• 医学图像细分对于计算机辅助诊断至关重要.
• 卷积神经网络 (CNN) 提取特征,但由于固定区域操作,可能会丢失信息.
• 变压器提供全球建模,但在局部细节和边缘细分方面遇到了困难.

研究的目的:

• 解决医疗图像细分现有的CNN和变压器模型的局限性.
• 提出一个新的网络,即动态区域关注网络 (DRA-Net),以提高细分精度.
• 为了增强医疗图像中局部边缘细节的学习.

主要方法:

• 开发了DRA-Net,其措施具有相似性,以集中关注动态地区.
• 实现了适应式建模范围,用于特征提取,以尽量减少信息丢失.
• 整合了区域特征交互和有序转移的多层感知器 (MLP) 块,以改进本地边缘细节学习.

主要成果:

• 与现有的CNN和基于变压器的网络相比,DRA-Net表现出优越的细分性能.
• 适应性注意力机制有效地减少了特征提取过程中的信息损失.
• 加强区域互动和MLP块改善了边缘细节的准确细分.

结论:

• DRA-Net为医疗图像细分提供了更准确,更强大的解决方案.
• 拟议的动态区域关注机制有效平衡全球和本地特征提取.
• 该网络显示了推进计算机辅助诊断应用的巨大潜力.