FCSU-Net:一个全新的全尺寸跨维度自我注意力U-Net,具有协作融合的多尺度功能,用于医疗图像细分

科学领域:

• 医学图像分析 医学图像分析
• 为医疗保健提供深度学习.

背景情况:

• 卷积神经网络 (CNN) 在长距离的空间相互作用中扎.
• 视觉变压器 (ViTs) 缺乏本地环境,并且具有高的计算成本.
• 现有的编码器解码器模型在医疗图像细分方面存在局限性.

研究的目的:

• 提出FCSU-Net,一个新的网络,解决CNN和ViT在医疗图像细分方面的缺陷.
• 改进特征提取并捕获本地和远程依赖关系.
• 为了实现优越的细分性能,降低计算复杂度.

主要方法:

• 开发了FCSU-Net,结合了多个规模的特征块的协作融合.
• 实现全面的功能融合 (FFF) 实现全面的功能集成.
• 引入了一个跨维的自我注意力 (CS) 机制,用于多维的远程依赖.

主要成果:

• 通过多尺度和全尺度融合,FCSU-Net展示了增强的特征表示.
• 该CS机制有效地捕获了远程依赖,同时利用了本地上下文信息.
• 在多个数据集上验证,FCSU-Net实现了领先的细分性能.
• 拟议的网络具有相对较小的参数数量.

结论:

• FCSU-Net有效地克服了医疗图像细分现有的CNN和ViT模型的局限性.
• 这种新的架构提供了卓越的特征提取和依赖性建模.
• FCSU-Net为高性能,高效的医疗图像细分提供了一个有前途的解决方案.