国际能源署网络:内部和外部双重关注的医疗细分网络,具有高性能卷积块

科学领域:

• 医学成像中的深度学习应用.
• 图像细分技术的进步.
• 计算机视觉用于医疗保健.

背景情况:

• 传统的卷积神经网络 (CNN) 在医疗图像分割中与特征损失和建模远程依赖性作斗争.
• 现有的注意力机制往往专注于单个样本,忽视了对大型医疗数据集至关重要的有价值的样本间相关性.
• 由于复杂的解剖结构和数据量,人体器官细分存在独特的挑战.

研究的目的:

• 引入内部和外部双重注意网络 (IEA-Net) 以加强医疗图像细分.
• 解决传统的CNN和单样注意力方法在捕捉复杂的特征关系方面的局限性.
• 为了提高人体器官和心脏细分的准确性和稳定性.

主要方法:

• 提出了内部和外部双重关注网络 (IEA-Net),其中包括ICSWR和IEAM模块.
• 为初始特征提取设计了ICSwR (带残余的交叉卷积系统) 模块.
• 开发了IEAM (内部和外部双重注意模块) 与LGGW-SA (局部-全球高斯加权自我注意) 进行样本内和EA进行样本间特征相关性.
• 在编码器和解码器内集成跳过连接,以减轻功能丢失.

主要成果:

• 与基准数据集上最先进的方法相比,IEA-Net表现优越.
• 拟议的ICSwR和IEAM模块有效地捕获了本地-全球和样本间的特征依赖关系.
• 在Synapse多器官和ACDC心脏细分数据集上的实验验证实了该方法的有效性.

结论:

• 通过有效地建模内部和外部特征相关性,IEA-Net在医疗图像细分方面取得了重大进展.
• 双重注意力机制和剩余连接为复杂的细分任务提供了一个强大的框架.
• 拟议的方法有望提高医学成像分析中的诊断准确性.