一个3D医学图像细分网络,基于封闭的注意力区块和双尺度交叉注意力机制
Chunhui Jiang1, Yi Wang2, Qingni Yuan3
1Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education, Guizhou University, Guiyang, 550025, China.
Scientific reports
|February 20, 2025
概括
DS-UNETR++通过使用具有新型注意力机制的双分支网络来增强3D医疗图像细分. 这种方法提高了多器官细分的准确性和稳定性,解决了现有方法的局限性.
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:
- 卷积神经网络 (CNN) 在3D医学图像细分中提取有限的局部特征.
- 变压器架构具有高的计算成本,并且在空间通道信息提取方面存在困难.
- 器官数量和大小的变化挑战了现有的模型,影响了强度和细分精度.
研究的目的:
- 介绍DS-UNETR++,一种用于强大的多器官3D医疗图像细分的新型网络架构.
- 解决CNN和变压器在特征提取和计算效率方面的局限性.
- 提高跨不同器官大小和数量的细分性能.
主要方法:
- 采用双分支特征编码机制,用于粗粒度和细粒度图像处理.
- 使用Gated Shared Weighted Pairwise Attention (G-SWPA) 子模块来实现动态的空间和频道注意力.
- 整合一个门式双尺度交叉注意模块 (G-DSCAM),用于在瓶处进行多尺度特征融合.
主要成果:
- DS-UNETR++在四个公共医疗数据集中展示了强大的细分性能.
- 双分支方法有效地捕获了本地和全球特征信息.
- G-SWPA和G-DSCAM模块显著提高了特征提取和融合能力.
结论:
- DS-UNETR++为具有挑战性的多器官3D医学图像细分任务提供了有效的解决方案.
- 与现有方法相比,拟议的架构提供了更好的稳定性和细分结果.
- 这项工作为推进3D医疗图像细分技术提供了宝贵的见解.
