FreqSNet:用于医疗图像分割的频率和空间域的多轴集成
Shangwang Liu1,2, Yinghai Lin1,2, Danyang Liu1,2
1The School of Computer and Information Engineering, Henan Normal University, Xinxiang 453007, People's Republic of China.
Physics in medicine and biology
|July 3, 2024
概括
FreqSNet通过整合频率和空间域特征来增强医疗图像细分. 这种新的方法提高了准确性和概括性,以获得更好的诊断见解.
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:
- 卷积神经网络 (CNN) 在空间特征提取方面表现出色,但与全球背景作斗争.
- 频域分析提供了一个互补的全球视角,这种视角往往被仅限于空间的方法所遗漏.
- 当前CNN的局限性需要新的方法来进行全面的医疗图像细分.
研究的目的:
- 介绍FreqSNet,一个用于医疗图像细分的新型深度学习模型.
- 为了利用频率和空间域特征的协同效益.
- 在捕获全球上下文信息方面克服仅限于空间的CNN的局限性.
主要方法:
- 开发了一个频率空间表示聚合块 (FSRAB),集成频率和空间特征.
- 整合了多重扩展注意力块,用于远程依赖提取和噪音抑制.
- 利用特征集成块通过融合空间和通道信息来增强特征表示.
主要成果:
- 在五个不同的数据集 (BUSI,CVC-ClinicDB,CVC-ColonDB,ISIC-2018,Luna16) 中,FreqSNet获得了高的交叉与欧盟 (IoU) 分数.
- 与最先进的方法相比,在医疗图像细分任务中表现出卓越的性能.
- 获得了具有竞争力的豪斯多夫距离值,表明了精确的边界划分.
结论:
- FreqSNet有效地结合了频率和空间域信息,以实现卓越的医疗图像细分.
- 拟议的方法显示了增强的细分性能和概括能力.
- 这种方法为准确的医学图像分析和诊断提供了有希望的进步.
