在医学图像中精确划分边界的相互包容机制
Yizhi Pan1, Junyi Xin1,2, Tianhua Yang1
1School of Information Engineering, Zhejiang Provincial People's Hospital, Affiliated People's Hospital, Hangzhou Medical College, Hangzhou, China.
Frontiers in bioengineering and biotechnology
|January 8, 2025
概括
MIPC-Net通过整合全球和本地特征来改善医疗图像细分,以精确检测边界. 这种新的深度学习方法提高了准确性,并在临床应用中优于现有的方法.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分对于疾病量化和治疗评估至关重要.
- 现有的方法难以整合全球/本地特征,并专注于边界细节.
- 局限性阻碍了当前细分技术的临床有效性.
研究的目的:
- 提出MIPC-Net,一种新的深度学习方法,用于医学图像中精确的边界细分.
- 解决整合全球和地方特征的局限性,以便更好地关注异常区域和边界.
- 为了提高医学图像细分的准确性和临床适用性.
主要方法:
- 开发了MIPC-Net,这是一种用于精确医疗图像细分的深度学习模型.
- 引入了位置和通道注意力的相互包含 (MIPC) 模块,以增强边界焦点.
- 实现了一个Skip-Residue模块,以优化图像恢复和功能集成.
主要成果:
- 在 Synapse,ISIC2018-Task 和 Segpc 数据集上使用 Dice 系数和 Hausdorff 距离评估 MIPC-Net.
- 废弃性研究证实了单个模块对细分质量的贡献.
- MIPC-Net的性能优于最先进的方法,在Synapse数据集上实现了2.23毫米的Hausdorff距离缩小.
结论:
- 新的MIPC和Skip-Residue模块显著改善了特征提取和边界识别.
- 在医疗图像细分方面,MIPC-Net显示了与现有方法相比的实质性改进.
- 拟议的方法提高了临床环境中精确边界细分的准确性.
