多尺度双通道功能嵌入解码器用于生物医学图像分割
Rohit Agarwal1, Palash Ghosal2, Anup K Sadhu3
1Department of Computer Science and Engineering, National Institute of Technology, Durgapur 713209, West Bengal, India.
Computer methods and programs in biomedicine
|October 24, 2024
概括
这项研究引入了一种用于生物医学图像细分的新型双通道解码器,通过有效捕获本地和全球背景来提高准确性. 新模型在肝癌和脏细分方面的性能优于现有方法,计算成本相似.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习用于计算机视觉.
- 生物医学工程 生物医学工程
背景情况:
- 准确的生物医学图像细分需要捕捉全球上下文和本地依赖.
- 基于变压器的模型显示出希望,但在有限的上下文捕获和高计算复杂性方面扎.
- 现有的方法通常需要大量的数据集,并面临着实现最佳细分精度的挑战.
研究的目的:
- 开发一种新的深度学习模型,用于增强生物医学图像细分.
- 解决现有的基于变压器的模型在捕捉多尺度上下文方面的局限性.
- 为了提高细分精度,同时管理计算复杂性.
主要方法:
- 提出了一种新的多尺度双通道解码器架构,利用并行卷积编码器.
- 解码器使用分层的注意力关闭的旋转变压器来进行多尺度的特征嵌入和捕获依赖关系.
- 实施了微调策略,以改进功能并减少过度细分.
主要成果:
- 拟议的模型在公共 (LiTS,3DIRCADb,) 和私人数据集上表现出卓越的性能.
- 在肝脏瘤和脏细分精度方面表现优于最先进的模型.
- 在可比的计算成本下取得竞争性结果.
结论:
- 这种新型的双通道解码器有效地集成了多个尺度的功能,以实现高效的上下文表示.
- 微调策略改进了功能,只选择了改善细分所需的信息.
- 与现有的最先进的模型相比,提出的方法实现了优越的细分性能.
