一个基于卷积内核合更新数据机制的多尺度信息融合医疗图像细分网络.
Zhihao Lu1, Jinglan Zhang2, Biao Cai1
1College of Computer Science and Cyber Security, Chengdu University of Technology, Chengdu, 610059, China.
Computers in biology and medicine
|January 29, 2025
概括
本研究介绍了TransDLNet,这是一个用于医疗图像细分的新型网络,使用集成卷积神经网络和变压器改进了多尺度特征融合. 该方法在各种医学成像数据集中展示了强大的细分性能和概括性.
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:
- 准确的医学图像细分对于疾病诊断和治疗计划至关重要.
- 现有的方法往往难以有效地利用复杂的医学图像中的多尺度信息.
研究的目的:
- 介绍TransDLNet,一种新的网络架构,旨在增强用于医疗图像细分的多尺度信息利用.
- 为了提高复杂的医学成像数据的细分效率和准确性.
主要方法:
- 卷积神经网络 (CNN) 和变压器的集成,以实现跨层次的多层次信息融合.
- 介绍了注意力扩展深度卷积 (ADDC) 模块,用于增强局部细节捕获.
- 开发跨级分组注意力合并 (CGAM) 模块,以改善跨度尺度的功能交互.
主要成果:
- 在四个不同的医学成像数据集上,TransDLNet展示了有效的细分性能.
- 拟议的方法在不同的成像模式中显示出良好的概括能力.
- 实验分析证实了ADDC和CGAM模块在特征表示和融合方面的有效性.
结论:
- 通过增强多尺度功能利用,TransDLNet提供了一种高效的医疗图像细分方法.
- 新的架构和模块有助于强大的特征表示和对医疗图像的全面理解.
- 这些发现表明,TransDLNet有可能改善临床环境中的诊断和治疗过程.
