双分支的动态层次U-Net与多层空间融合关注医疗图像细分的医疗图像细分
Zhen Wang1, Shuang Fu2, Hongguang Zhang3
1School of Public Health, Qiqihar Medical University, Qiqihar, 161003, China.
Scientific reports
|March 11, 2025
概括
这项研究介绍了D2HU-Net,这是一种用于增强医疗图像细分的新型深度学习模型. 通过更好地整合多层次功能,D2HU-Net提高了准确性,有助于诊断疾病.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分对于诊断和形态测量至关重要.
- 现有的U-Net模型在与器官和特征融合之间的语义差异作斗争,导致边界不准确.
- 缺乏高层次和低层次的语义特征融合导致医疗图像中的边界模糊或错过.
研究的目的:
- 为了解决当前医疗图像分割技术的局限性.
- 提出一种新的网络架构,通过有效地融合多层次的语义特征来提高细分精度.
- 在医学成像中增强对器官和病变边界的理解.
主要方法:
- 开发具有多层空间融合重点的双分支动态层次U-Net (D2HU-Net).
- 实施多层空间注意力融合模块,以整合浅层和深层语义特征.
- 引入一个动态的多尺度分层模块,用于精细的多尺度特征表示.
- 使用多尺度损失函数来指导网络优化.
主要成果:
- 在四个不同的医疗数据集中,D2HU-Net展示了卓越的细分性能.
- 拟议的模块有效地解决了语义差异和改进了边界划分.
- 该网络实现了最先进的细分能力,超过了现有的方法.
结论:
- D2HU-Net为各种医学成像应用提供先进的细分功能.
- 该模型能够融合多层次特征,提高了诊断准确度.
- 这种方法具有显著的潜力,可以帮助临床医生在疾病诊断和治疗规划方面.
