相关实验视频
Updated: May 23, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
348
SAMP-Net:一个医疗图像细分网络,具有分散的注意力和多层感知
Xiaoxuan Ma1, Sihan Shan2, Dong Sui2
1School of Electrical and Information Engineering, Beijing University of Civil Engineering and Architecture, No.15, Yongyuan Road, Huangcun Town, Daxing District, Beijing, 102616, China. maxiaoxuan@bucea.edu.cn.
Medical & biological engineering & computing
|March 11, 2025
概括
一个新的医疗图像细分网络使用注意力和多层感知子 (MLPs) 增强了特征捕获. 这种新的方法改进了U-Net架构,以便在医学成像中更有效,更准确地对瘤进行细分.
科学领域:
- 计算机视觉 计算机视觉
- 医学图像分析 医学图像分析
- 深度学习架构 深度学习架构
背景情况:
- 卷积神经网络 (CNN) 在计算机视觉,特别是医疗图像细分方面表现出色.
- 虽然U-Net架构是一个标准,但由于统一的下采样和简单的卷积层,在捕获多深度特征方面存在局限性.
- 这些局限性阻碍了快速医疗图像处理的效率.
研究的目的:
- 提出一个新的细分网络,整合注意力机制和多层感知子 (MLP).
- 逐步捕获和完善不同网络层面的功能,以改善医疗图像细分.
- 与现有的基于U-Net的模型相比,提高效率和性能.
主要方法:
- 在低层层中引入了主要特征保护 (PFC) 块,以在下采样过程中保存空间细节.
- 集成的紧注意力区块 (CAB) 在中层层中,通过多路径注意力来增强功能交互.
- 在高级层中利用Shift MLP和Tokenized MLP块,以改进本地特征建模和降低计算复杂性.
主要成果:
- 拟议的网络在结直肠癌瘤 (CCI) 和ISIC-2018数据集上显示出显著的性能改善.
- 与U-Net相比,实现了6.67%的平均性能增长,与U-Net++相比,达到5.53%,与Swin-U-Net相比,达到10.18%,与Attention U-Net相比,达到4.78%,与RA-U-Net相比,达到3.55%.
- 注意和MLP的整合,以及专门的块,有效地解决了U-Net的局限性.
结论:
- 新型细分网络为医疗图像细分任务提供了卓越的性能和效率.
- 拟议的架构,包括PFC,CAB,Shift MLP和Tokenized MLP块,代表了与U-Net相比的显著进步.
- 这些发现表明,在医学图像分析中开发更有效的深度学习模型的有希望的方向.
