相关实验视频
Updated: Jun 4, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
367
MSA-MaxNet:用于医疗图像细分的多尺度注意力增强多轴视觉转换器网络
Wei Wu1, Junfeng Huang2, Mingxuan Zhang1,3
1School of Computer Science and Software Engineering, University of Science and Technology Liaoning, Anshan, China.
Journal of cellular and molecular medicine
|December 20, 2024
概括
MSA-MaxNet是一个新的深度学习模型,通过整合卷积神经网络 (CNNs) 和视觉变换器 (ViTs) 来增强医疗图像细分. 它在多器官,心脏和胃肠道数据集上取得了最先进的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 在局部特征提取方面表现出色,但在医学图像细分方面却难以应对远程依赖.
- 视觉转换器 (ViT) 捕获远程依赖,但在利用局部特征方面存在局限性.
- 现有的混合模型仍然面临受感场和精确特征表示的挑战.
研究的目的:
- 提出MSA-MaxNet,一种用于改善医疗图像细分的新型编码解码器网络.
- 通过将多轴自我注意力 (Max-SA) 与基于CNN的注意力机制相结合,增强特征提取.
- 为复杂的医学成像任务解决当前细分模型的局限性.
主要方法:
- 开发了一个编码器-解码器架构,利用具有多轴自我注意 (Max-SA) 的MaxViT块进行全面的特征提取.
- 包含一个带有MaxViT块和上样层的对称解码器来恢复空间分辨率.
- 引入了一个多尺度卷积块注意模块 (MCBAM) 来完善跳过连接并改善特征表示.
主要成果:
- 在Synapse数据集 (多器官细分) 上获得了85.59%的最先进的 (SOTA) 子得分,在Kvasir-SEG数据集 (胃肠道聚检测) 上达到95.26%.
- 在心脏分析的ACDC数据集上表现出强的表现.
- 提供较小的模型变体,以满足各种计算约束.
结论:
- MSA-MaxNet为各种医学成像细分任务提供了一个强大的和有效的框架.
- 该模型显示了早期癌症检测,心血管疾病诊断和器官级评估中的应用潜力.
- 集成Max-SA和MCBAM模块为推进医疗图像分析提供了一个有希望的方向.
