IIAM:医疗图像分割的内部和内部注意力与相互一致性学习网络

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:

• 医学图像细分对于诊断和治疗至关重要.
• 目前使用卷积神经网络 (CNN) 和变压器的方法在探索局部-全球线索和多层次相互作用方面存在局限性.

研究的目的:

• 开发一种用于医疗图像细分的新型网络,克服现有模型的局限性.
• 通过在多个尺度上有效整合本地和全球特征来提高医疗图像细分的准确性和稳定性.

主要方法:

• 提出了与相互一致性学习网络 (IIAM) 之间的注意力.
• 设计了一个内注意模块,以聚合基于CNN的本地和基于变压器的全球特征.
• 开发了一种相互注意模块,以捕捉跨度依赖关系.
• 使用多个解码器与相互一致性学习来估计模型不确定性和减少模糊区域的影响.

主要成果:

• 与最先进的技术相比,IIAM网络在三个基准数据集上表现出卓越的性能.
• 内部和内部注意力模块有效地捕获了局部-全球线索和多层次的相互作用.
• 使用多个解码器进行相互一致性学习,提高了对医疗图像中模糊区域的稳定性.

结论:

• 拟议的IIAM网络在医疗图像细分方面取得了重大进展.
• 该方法有效地整合了本地和全球信息,从而提高了细分精度和可靠性.
• 在医学图像分析中,IIAM显示出临床应用的巨大潜力.