多尺度图形和:通过对比学习释放U-Net在医疗图像细分方面的潜力

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 医疗保健中的人工智能

背景情况:

• 准确的医学图像细分对于诊断,治疗计划和定量分析至关重要.
• 现有的卷积神经网络 (CNN) 和变压器在医疗图像中与复杂的几何和变化作斗争.
• 当前的模型往往无法捕捉精确细分所必需的复杂几何特征.

研究的目的:

• 提出一种新的细分模型,MSGH,利用图形神经网络 (GNNs) 进行增强的几何表示.
• 提高自动医学图像细分的准确性和效率,特别是复杂的器官和病变结构.
• 为了应对医疗图像细分中的诸如类别失衡和复杂细节恢复等挑战.

主要方法:

• 开发了MSGH,该模型整合了来自Pyramid Feature和Graph Feature分支的多尺度特征.
• 使用图形对比表示学习进行自我监督的特征提取,以减轻类别不平衡.
• 优化了解码器与变压器集成,以增强恢复精细的图像细节.

主要成果:

• 在ACDC,Synapse和BraTS数据集 (分别为2.56-13.41%,1.04-5.11%和1.77-3.35%) 中,MSGH显示了子得分的显著改善.
• 该模型在医疗图像细分任务中始终超过了最先进的方法.
• 实验验证证了拟议的MSGH模型的有效性和效率.

结论:

• MSGH模型有效地利用通过GNN的几何表示来实现卓越的医疗图像细分.
• 多尺度功能,自我监督学习和变压器增强解码的集成有助于强大的性能.
• MSGH代表了人工智能辅助医疗保健的重大进步,为临床应用提供了更高的准确性.