HEDN:用于3D医疗图像细分的多方向层次提取和双频脱网络
Yu Wang1, Guoheng Huang2, Zeng Lu3
1Public Courses Department, Hunan Traditional Chinese Medical College, Zhuzhou, 412012, Hunan, China.
Medical & biological engineering & computing
|September 24, 2024
概括
新的多方向层次提取和双频脱网络 (HEDN) 通过增强特征层次和轮细节来改善3D医疗图像细分. 这种先进的深度学习模型在基准数据集上实现了卓越的性能.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 现有的3D编码器-解码器网络在细粒度特征分解和层次融合方面面临挑战.
- 医学图像中模糊的轮边界阻碍了提取高频轮特征.
研究的目的:
- 引入一个新型网络,即多方位层次提取和双频解网络 (HEDN),以改进3D医疗图像细分.
- 在医学图像细分中增强特征层次和轮特征表示.
主要方法:
- 拟议的HEDN集成了一个编码器-解码器模块 (E-DM),一个多方向层次提取模块 (Multi-HEM) 和一个双频脱模块 (双DM).
- 通过空间和切片级特征的3D融合,多HEM丰富了特征层次结构.
- 双DM采用自我监督来分离和整合高频轮特征与层次特征.
主要成果:
- 在Synapse数据集上,HEDN表现出卓越的性能,增加了1.38%的子相似度 (DSC),并将95%的豪斯多夫距离 (HD95) 减少了1.03毫米.
- 在自动心脏诊断挑战 (ACDC) 数据集中,HEDN在所有类别中实现了0.5%的性能改善.
- 自主监督高频特征的集成增强了轮特征表示和层次特征交互.
结论:
- 通过改进特征分解和融合,HEDN有效地解决了以前3D细分架构的局限性.
- 该网络能够增强轮和层次特征,从而实现更准确的医疗图像细分.
- HEDN代表了医疗图像分析深度学习的重大进步,提供了改进的细分精度和稳定性.
