MSR-UNet:增强医疗图像细分中的多规模和远程依赖性
Shuai Wang1, Lei Liu1,2, Jun Wang3
1School of Computer Science and Technology, Huaibei Normal University, Huaibei, China.
PeerJ. Computer science
|December 9, 2024
概括
本研究引入了一种新的多尺度重构自我注意 (MSR-SA) 模块,用于基于变压器的医疗图像细分. 该MSR-SA模块有效地捕捉了多规模和远程依赖关系,提高了细分精度.
科学领域:
- 医学成像医学成像
- 计算机视觉 计算机视觉 计算机视觉
- 人工智能的人工智能是人工智能.
背景情况:
- 变压器模型对于医学图像细分至关重要.
- 有效的细分需要模拟多尺度信息和远程像素依赖.
- 目前的方法通常使用固定单级窗口,限制性能.
研究的目的:
- 提出一种用于增强医疗图像分割的新型模块.
- 为了解决变压器模型中固定单尺度窗口的局限性.
- 改进多尺度和远程依赖关系的建模.
主要方法:
- 引入了一个多尺度重配置自我注意 (MSR-SA) 模块.
- MSR-SA将注意力头分为具有上升扩张率的组.
- 利用扩展采样和动态信息融合用于多规模和远程特征提取.
主要成果:
- 开发了多层次重构U-Net (MSR-UNet) 框架.
- 在 Synapse 和 ACDC 数据集上取得了令人满意的细分结果.
- 在捕捉多个规模和长距离关系方面表现得更好.
结论:
- 该MSR-SA模块有效地模拟了多规模和远程依赖关系.
- MSR-UNet对准确的医疗图像细分有很大的希望.
- 拟议的方法在该领域提供了潜在的进步.
