EDSRNet:用于2D医疗图像分割的增强解码语义恢复网络
IEEE journal of biomedical and health informatics
|March 3, 2025
概括
本研究介绍了一种增强解码器语义恢复网络,用于改进医疗图像细分. 这种新的方法有效地解决了语义差距,并增强了功能恢复,以获得更好的诊断准确性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 医疗图像细分对于诊断和治疗计划至关重要,深度学习方法被广泛采用.
- 当前的编码器-解码器模型面临的挑战是语义信息缺口和解码过程中无效的全球-本地特征交互.
研究的目的:
- 提出一种新的增强解码语义恢复网络,以克服当前基于深度学习的医疗图像细分的局限性.
- 提高医学图像细分中的语义恢复的准确性和有效性.
主要方法:
- 引入了多级语义融合 (MLSF) 模块,以融合不同级别的特征,加重语义差距.
- 采用多尺度空间注意力 (MSSA) 和交叉卷积通道注意力 (CCCA) 模块来进行更丰富的特征提取.
- 设计了全球-本地语义恢复 (GLSR) 模块,通过考虑全球和本地信息来增强语义恢复.
主要成果:
- 拟议的模型显示了公共数据集 (BUSI,CVC-ClinicDB,Kvasir-SEG) 上的交叉与欧盟 (IoU) 的显著改进.
- 与现有方法相比,在BUSI上实现了0.81%的性能增长,在CVC-ClinicDB上达到0.85%,在Kvasir-SEG上达到1.98%.
- 显著提高了2D医疗图像细分的性能.
结论:
- 增强解码语义恢复网络有效地解决语义信息缺口,并改善医疗图像细分中的功能交互.
- 拟议的方法为准确的医疗图像细分提供了强大的解决方案,为未来该领域的进展提供了技术支持.
