TPAFNet:转换器驱动的金字塔注意力融合网络用于3D医疗图像细分的3D医疗图像细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 3D医学图像细分对于诊断至关重要.
• 当前的混合CNN-变压器网络在功能融合方面存在局限性.
• 缺乏有效的合通道和空间注意力.

研究的目的:

• 推出一个新的多尺度3D医疗图像细分网络,TPAFNet.
• 解决现有混合网络架构的局限性.
• 为了提高3D医学图像细分的准确性和效率.

主要方法:

• 开发了TPAFNet,这是一个混合CNN-变压器网络.
• 用于多个尺度的特征提取的状卷积.
• 引入了用于融合通道和空间注意力的TPAF块.
• 在解码器中实现了TPAF连接和低级编码快捷方式.
• 应用深度监督,使用基于CNN的voxel智能分类器.

主要成果:

• 在两个公共数据集上,TPAFNet显著超过了最先进的网络.
• 拟议的TPAF块有效地融合了多尺度通道和空间注意力.
• TPAF连接和快捷方式保留了关键的低级别和原始图像特征.
• 深度监督增强了网络的融合.

结论:

• TPAFNet为3D医疗图像细分提供了一个强大的解决方案.
• 新的注意力融合机制提高了细分的准确性.
• 这一进步有助于临床医生实现更精确的诊断.