MP-FocalUNet:用于医疗图像细分的多尺度平行焦点自我注意U-Net
Chuan Wang1, Mingfeng Jiang1, Yang Li1
1School of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China.
Computer methods and programs in biomedicine
|December 15, 2024
概括
本研究介绍了MP-FocalUNet,MP-FocalUNet是一个用于医疗图像细分的新型网络,通过集成多尺度并行分支和焦点自我注意来增强卷积神经网络 (CNN),以改善全球上下文建模和保留本地细节.
科学领域:
- 医学图像分析 医学图像分析
- 对于医学成像的深度学习
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 已经进行了先进的医学图像细分,但在全球和远程特征相关性方面仍存在困难.
- 现有的CNN解决方案往往导致冗余的网络结构和本地细节的丢失.
- 改善全球背景的建模,同时保持本地细节对于医疗图像细分至关重要.
研究的目的:
- 为医疗图像细分开发一种新的架构,克服传统CNN的局限性.
- 增强医疗图像中全球背景和远程依赖性的建模.
- 为了保持医疗图像中的局部细节的精确细分.
主要方法:
- 提出了MP-FocalUNet,一个多尺度并行分支架构.
- 在编码器中利用双级子网络和跨级特征融合 (FF) 模块进行多级特征提取.
- 在解码器中集成了焦点自我注意力,用于高效的远距离建模和捕获全球依赖.
主要成果:
- 在腹部器官和心脏诊断数据集上,MP-FocalUNet表现出卓越的性能.
- 在腹部器官细分方面获得了平均82.45%的Dice分数,超过HC-Net的2.68%.
- 在心脏诊断数据集上获得了91.44%的平均Dice得分,超过HC-Net的0.35%.
结论:
- MP-FocalUNet有效地解决了医疗图像细分CNN中长距离建模的局限性.
- 拟议的网络成功地融合了多个尺度的图像信息,并超过了最先进的方法.
- 未来的工作重点是开发基于轻量级变压器的模型,以增强像素级特征学习.
