一个用于医疗图像细分的频率选择网络
Shu Tang1, Haiheng Ran1, Shuli Yang1
1Chongqing University of Posts and Telecommunications, No.2 Road of Chongwen, Nanan District, 400000, Chongqing,China.
Heliyon
|September 2, 2024
概括
一个新的频率选择细分网络 (FSSN) 通过整合空间和频率信息来改善医疗图像细分. 这种方法提高了损伤细分的准确性和效率.
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:
- 当前的医疗图像分割方法通常因空间域处理的局限性,频率信息的不充分整合以及特征之间的语义差距而难以准确.
- 这些局限性导致了低于最佳的细分结果,特别是在复杂的病变.
研究的目的:
- 引入一种新的频率选择细分网络 (FSSN),以实现更准确的医疗损伤细分.
- 通过有效地融合空间和频率域信息来增强特征交互并减轻语义差距.
主要方法:
- 拟议的FSSN将当地空间特征与全球频率信息整合在一起,使用全球-本地特征聚合模块 (GLAM).
- 引入了一个特征波器模块 (FFM),用于管理跨级特征融合期间的语义差距,从而能够选择性地保存相关频率信息.
- 可变形卷积 (DC) 用于加强对关键局部特征的关注,特别是损伤边界.
主要成果:
- 与现有方法相比,FSSN在两个基准数据集上显示出更高的损伤细分精度.
- 该网络实现了更好的客观评估指标和主观视觉效果.
- 拟议的方法需要较少的参数,并表现出较低的计算复杂性.
结论:
- FSSN有效地融合了多个规模的本地空间特征和全球频率信息,以改善医疗图像细分.
- 该网络成功地解决了语义差距,并增强了相关本地特征的利用,从而更精确地识别了病变.
- 对于医疗图像细分任务,FSSN提供了一个计算效率高,准确的解决方案.
