用于医疗图像分割的分层多尺度增强变压器

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:

• U-Net是医疗图像细分的标准,但与远程依赖性作斗争.
• 变压器模型捕捉了全球背景,但可能缺乏本地化细节.

研究的目的:

• 开发一种混合模型,将U-Net和变压器架构结合起来.
• 通过解决现有模型的局限性来改善医疗图像细分.

主要方法:

• 提出了一种新的双通道U网络,集成CNN和变压器特征提取.
• 引入了层次特征融合策略 (空间和通道维度).
• 开发了一个动态的,分层可调节的损失函数.

主要成果:

• 拟议的U网络在五个数据集上始终超过了最先进的方法.
• 在各种医学图像模式中表现出卓越的概括性.
• 在医疗图像细分任务中取得了卓越的性能.

结论:

• 新的U网络有效地整合了CNN和变压器的能力,以增强医疗图像细分.
• 拟议的融合策略和损失函数有助于卓越的性能和通用化.
• 这种混合方法为先进的医学图像分析提供了一个有希望的方向.