适应级联解码器用于医疗图像中细分具有挑战性的区域

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) 在医疗图像细分方面表现出色,但与长期的像素依赖性作斗争.
• 变压器在医疗图像分区方面表现有前途,但在整合本地和全球特征方面面临挑战,导致位置信息丢失.

研究的目的:

• 引入自适应级联解码器 (ACD),这是一种新型解码器,旨在在医疗图像细分中增强从本地到全球尺度的特征提取.
• 通过改善上下文连接和减少内存消耗来解决医疗图像中对比度下降和模糊边界的问题.

主要方法:

• 开发了自适应级联解码器 (ACD) 与自适应注意 (ADA) 和多尺度卷积 (MSC) 模块,用于动态受感场调整.
• 将ACD与TransUNet编码器骨干集成,创建了T-ACD模型,该模型将CNN特征地图处理为变压器的序列.
• 对心脏和多器官细分任务的评估T-ACD,包括ACDC数据集.

主要成果:

• 在用于一般医学图像细分的ACCDC数据集上,T-ACD实现了92.02%的DICE系数.
• 挑战性右心室的细分精度提高到90.68%,显著增加了5.17%.
• 该模型在心脏和多器官数据集中细分具有挑战性的领域方面表现出有效性.

结论:

• 拟议的自适应级联解码器 (ACD) 有效地增强了医疗图像细分中的特征提取和上下文连接.
• 利用TransUNet和ACD,T-ACD在细分复杂结构,特别是右心室方面表现出卓越的性能.
• ACD的设计可以将其推广到医学成像中的其他具有挑战性的器官细分任务中.