SEF-UNet:通过SEFormer和深度级联式上采样,推进腹部多器官细分

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:

• 腹部器官细分对于早期疾病检测和诊断至关重要.
• 复杂的解剖结构和重叠的器官存在重大细分挑战.
• 像CNN和变形金刚这样的现有方法在精确的边界识别和实时性能方面扎.

研究的目的:

• 开发一个改进的腹部器官细分模型,具有高精度和效率.
• 解决当前细分技术在准确识别器官边界方面的局限性.
• 创建一个适合实时医疗应用的模型,以减少计算负载.

主要方法:

• 提出了SEF-UNet,这是一个U-Net架构,集成SEFormer (编码器) 和深度级联上采样 (dCUP) (解码器).
• 在MetaFormer框架内,SEFormer使用Squeeze-and-Excitation模块和深度可分离的卷积.
• 在升级采样过程中,dCUP 增强了功能集成.

主要成果:

• SEF-UNet显著提高了细分精度,特别是在重叠的器官边缘.
• 该模型显示,与现有方法相比,参数数量有所减少.
• 在捕捉精细细节和纹理信息以实现精确的细分方面实现了卓越的性能.

结论:

• SEF-UNet提供了增强的腹部器官细分精度和效率.
• 该模型能够精确地划分器官边界,这使得它对临床应用具有前景.
• SEF-UNet为实时,低延迟的医疗图像分析提供了一个潜在的解决方案.