使用基于特征金字塔的SegFormer数据高效的骨分割
Naohiro Masuda1, Keiko Ono2, Daisuke Tawara3
1Master's Program in Information and Computer Science, Doshisha University, Kyoto 610-0394, Japan.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
这项研究增强了SegFormer用于医疗图像细分的功能,改善了有限数据的骨结构分析. 修改后的模型在用于诊断应用的精确物体轮检测中实现了卓越的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 骨结构的语义细分对于准确的医学诊断和建模至关重要.
- 卷积神经网络 (CNN) 在分割复杂的骨形状方面面临限制,原因是纹理焦点和位置意识差.
- 像SegFormer这样的视觉变压器模型提供了更好的空间意识,但需要广泛的训练数据,这是医学成像中的一个挑战.
研究的目的:
- 通过使用有限的医学成像数据集,增强SegFormer,以准确地对骨结构进行语义细分.
- 为了解决SegFormer在医学图像分析中的数据效率限制.
- 改进用于诊断目的的骨模型生成的精度.
主要方法:
- 提出了两个修改后的SegFormer架构:一个数据效率高的模型,具有更深层次的编码器和更高的特征图分辨率,以及一个基于FPN的模型,具有使用注意力机制的增强解码器.
- 结合了拟议的数据效率和基于FPN的改进.
- 评估了来自癌症成像档案和自定义数据集的脊柱,手和手腕数据集上的模型.
主要成果:
- 提议的增强SegFormer模型在语义细分精度方面超过了原来的SegFormer,U-Net和Mask2Former.
- 废弃性研究证实了单个修改和组合修改的有效性.
- 展示了改进的图像特征提取和更精确的对象轮检测.
结论:
- 开发的SegFormer增强功能显著改善了骨结构的语义细分,特别是在有限的训练数据的情况下.
- 这些修改使得用于骨科手术和诊断的骨模型生成更可靠.
- 这种方法为数据稀缺的医学成像细分任务提供了有价值的解决方案.


