PMFSNet:用于轻量级医疗图像细分的极化多尺度特征自我注意网络
Jiahui Zhong1, Wenhong Tian1, Yuanlun Xie2
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu, 610054, PR China.
Computer methods and programs in biomedicine
|February 1, 2025
概括
通过平衡全球和本地特征,使用更少的参数,PMFSNet提供高效的医疗图像细分. 这种轻量级模型在各种数据集上实现了卓越的性能,非常适合资源有限的环境.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 目前的医疗图像细分模型精确,但计算密集且大.
- 大型模型有可能过度适应有限的医疗数据,并忽视局部特征表示.
- 基于变压器的模型提供了广泛的接收场,但在计算上要求很高.
研究的目的:
- 开发一种新的,轻量级的医疗图像细分模型 (PMFSNet).
- 为了平衡全球和本地特征处理,同时尽量减少计算冗余.
- 为了在边缘设备和资源有限的设置中实现高效的部署.
主要方法:
- 提出了PMFSNet,一个简化的基于UNet的层次模型.
- 整合了一个plug-and-play多尺度功能增强 (PMFS) 块.
- 简化了自我注意力机制,以减少计算复杂性.
主要成果:
- 在不到一百万个参数的情况下实现了优越的细分性能.
- 在3D CBCT中获得高IOU分数 牙,卵巢瘤,皮肤病变和胃肠.
- 在视网膜血管细分数据集 (DRIVE,STARE,CHASE-DB1) 上显示出强大的DSC分数.
结论:
- PMFSNet显示出具有竞争力的性能,参数和推断时间显著减少.
- 为医疗图像分析提供了效率和性能之间的最佳平衡.
- 适合在资源有限的临床环境中集成和部署.
