MedFuseNet:将本地和全球深度特征表示与医疗图像细分的混合注意力机制融合在一起
Ruiyuan Chen1, Saiqi He2, Junjie Xie1
1Taizhou Central Hospital (Taizhou University Hospital), Taizhou University, Taizhou, 318000, China.
Scientific reports
|February 11, 2025
概括
这项研究介绍了MedFuseNet,这是一种用于医学图像细分的新型深度学习模型. MedFuseNet 通过混合注意力有效地融合了本地和全球特征,显著提高了基准数据集的细分精度.
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:
- 医疗图像细分对于医疗保健至关重要,但当前的深度学习模型 (CNN,变压器) 在捕捉特征相关性方面存在局限性.
- 现有的架构难以充分利用本地和全球特征信息,以提高细分性能.
研究的目的:
- 提出MedFuseNet,一个用于医疗图像细分的新型编码解码器架构.
- 通过混合注意力机制来提高准确性,将本地和全球深度特征表示融合在一起.
主要方法:
- MedFuseNet使用CNN和Swin-Transformer的并行分支机构,分别学习本地和全球的相关性.
- 混合注意力机制,包括ASPP,交叉注意力,自适应交叉注意力 (ACA) 和SE注意力,用于功能融合和增强.
主要成果:
- 拟议的MedFuseNet在ACDC数据集上实现了平均89.73%的子相似系数 (DSC),在Synapse数据集上达到78.40%.
- 在两个评估的数据集上,MedFuseNet在医疗图像细分任务中超越了现有的最先进的方法.
结论:
- 通过混合注意力有效地整合本地和全球特征,MedFuseNet在医疗图像细分方面展示了卓越的性能.
- 新型架构为准确和高效的医疗图像分析提供了有前途的进步,解决了当前深度学习模型的局限性.
