道前卷积注意力用于医学图像细分的医疗图像细分
Hejun Huang1, Zuguo Chen2, Ying Zou1
1School of Information and Electrical Engineering, Hunan University of Science and Technology, Xiangtan, 411201, China.
Computers in biology and medicine
|June 28, 2024
概括
一种新的频道前卷积注意 (CPCA) 方法增强了医疗图像细分. 在CPCA上构建的CPCANet提高了准确性和效率,用更少的计算资源优于现有的算法.
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:
- 医疗图像往往会带来诸如低对比度和器官形状变化等挑战.
- 医疗图像细分中的现有注意力机制缺乏足够的适应能力.
- 这限制了复杂的医学成像场景中细分性能的改进.
研究的目的:
- 提出一种高效的道前卷积注意 (CPCA) 方法.
- 开发一个新的细分网络,CPCANet,用于增强医疗图像细分.
- 解决当前注意力机制在处理医疗图像特征方面的局限性.
主要方法:
- 开发了一种高效的频道前卷积注意力 (CPCA) 方法,用于动态注意力重量分配.
- 采用多尺度深度卷模块来提取空间关系,同时保留道先验.
- 拟议的CPCANet是一个细分网络,包含用于医疗图像细分的CPCA模块.
主要成果:
- 在两个公共医疗成像数据集上,CPCANet表现出了改进的细分性能.
- 提出的方法有效地关注信息道和重要的形象区域.
- 与具有较低计算资源要求的最先进算法相比,CPCANet取得了更好的结果.
结论:
- 拟议的CPCA方法和CPCANet在医疗图像细分方面取得了重大进展.
- CPCANet提供了一个更具适应性和高效的解决方案,用于细分具有挑战性的医疗图像.
- 公开可用的代码促进了该领域的进一步研究和应用.
