替代编码器和双解码器CNN-变压器网络用于医疗图像分割
Lin Zhang1, Xinyu Guo2, Hongkun Sun3
1Zhejiang Hospital of Integrated Traditional Chinese and Western Medicine, Hangzhou, 310003, China.
Scientific reports
|March 15, 2025
概括
这项研究介绍了AD2Former,这是一个用于医疗图像细分的新型CNN-Transformer网络. 它有效地结合了本地和全球特征,以提高病变提取精度,优于以前的模型.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的医学图像细分至关重要,但具有挑战性.
- 卷积神经网络 (CNN) 和变压器分别在本地和全球特征提取方面表现出色.
- 整合CNN和变压器是医疗图像细分的关键,但在充分利用本地和全球功能方面仍然存在挑战.
研究的目的:
- 提出一个新的CNN-Transformer网络,AD2Former,用于增强医疗图像细分.
- 解决先前模型中提取有效的本地和全球特征的局限性.
- 改善具有独特组织特征和模糊边界的病变细分.
主要方法:
- 开发了AD2Former,这是一个编码解码器网络,具有交替学习编码器和双解码器架构.
- 交替学习编码器促进了本地和全球信息之间的实时交互.
- 双解码器架构采用独立的解码分支,具有用于特征融合的通道注意模块.
主要成果:
- 在医学图像中,AD2Former表现出强大的捕捉目标区域和模糊边界的能力.
- 对多器官和皮肤病变细分数据集的实验证实了该模型的有效性.
- 拟议的设计,交替学习编码器和双解码器,大大提高了性能.
结论:
- AD2Former有效地整合了本地和全球特征提取,以实现卓越的医疗图像细分.
- 这种新的架构解决了细分复杂的病变组织的关键挑战.
- 该模型显示了在医疗成像应用中提高诊断准确性的巨大潜力.
