QMaxViT-Unet+:基于查询的MaxViT-Unet,具有边缘增强功能,用于医疗图像的涂监督细分
Thien B Nguyen-Tat1, Hoang-An Vo1, Phuoc-Sang Dang1
1University of Information Technology, Ho Chi Minh City, Vietnam; Vietnam National University, Ho Chi Minh City, Vietnam.
Computers in biology and medicine
|February 7, 2025
概括
这项研究介绍了QMaxViT-Unet+,这是一种用于涂监督医疗图像细分的新型深度学习框架. 它通过完全监督的方法实现了具有竞争力的准确性,解决了医学成像中的注释稀缺问题.
科学领域:
- 医学图像分析 医学图像分析
- 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:
- 医疗图像细分的高级深度学习需要广泛的注释数据集,这些数据集往往稀缺且昂贵.
- 弱监督的学习提供了一个有前途的解决方案,利用更不精确的标签,减少注释负担.
研究的目的:
- 提出QMaxViT-Unet+,这是一个用于草监督医疗图像细分的新框架.
- 通过使用先进的架构组件来增强功能学习和边界信息补偿.
主要方法:
- QMaxViT-Unet+框架在U-Net架构中使用多轴视觉变压器 (MaxViT) 块,以实现高效的本地和全球特征提取.
- 一个基于查询的变压器解码器完善功能,一个边缘增强模块解决从涂标签中的有限边界信息.
主要成果:
- QMaxViT-Unet+在四个数据集 (ACDC,MS-CMRSeg,SUN-SEG,BUSI) 中表现出强的表现,用于心脏,息肉和乳腺癌细分.
- 在ACDC数据集上,达到了高达89.1%的子相似系数 (DSC) 和低至1.316毫米的豪斯多夫距离 (HD95).
结论:
- QMaxViT-Unet+为医疗图像细分提供了强大而高效的解决方案,其性能优于现有的方法.
- 该框架与完全监督的方法具有竞争力,使其适用于注释有限的场景.
