基于频域分解SVD线性注意力的医学图像细分
Liu Qiong1, Li Chaofan2, Teng Jinnan2
1School of Medical Imaging, Jiangsu Medical College, Yancheng, 224005, Jiangsu, China. liuqiong2627@163.com.
Scientific reports
|January 22, 2025
概括
这项研究引入了一种新的医疗图像细分网络,通过有效处理高频信号和减少计算负载来增强视觉变压器 (ViT) 模型,以提高细分复杂医疗图像的精度.
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:
- 卷积神经网络 (CNN) 在医疗图像细分方面表现出色,但受体领域有限.
- 视觉转换器 (Vision Transformers,ViT) 可以捕捉全球环境,但却难以处理高频细节 (纹理,边界) 和高计算成本.
- 高频特征对于识别医疗图像中的瘤和器官变异等病理至关重要.
研究的目的:
- 开发一个改进的医疗图像细分框架,解决ViT的局限性.
- 增强检测和提取高频信号,这对于准确的医学图像分析至关重要.
- 为了减少ViT模型的计算复杂性,用于高分辨率的医疗图像.
主要方法:
- 提出了使用拉普拉斯金字塔的频域分解方法.
- 实现了选择性注意力特征计算高频信号以提高空间结构信息.
- 集成的单值分解 (SVD) 用于高效的注意力计算和特征表示,减少复杂性.
主要成果:
- 在腹部多器官和皮肤病数据集上证明了优异的细分有效性和准确性.
- 在Synapse数据集上取得了竞争性结果,Dice指标为82.68mm,HD指标为17.23mm.
- 在各种医学成像数据集中展示了一致的细分效率和改进的准确性.
结论:
- 拟议的框架通过整合频域分析和高效的注意力机制,有效地增强了医疗图像细分.
- 该模型成功地解决了ViT在处理高频信号和计算需求方面的局限性.
- 这种方法为更准确,更有效的医疗图像细分提供了有希望的方向.
