医疗图像细分的边界增强的本地-全球合作网络.

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 医学图像细分对于诊断和治疗至关重要,但面临着诸如阶级不平衡和模糊边界等挑战.
• 精确细分感兴趣的小区域 (ROI) 仍然是医疗图像分析的一个重大障碍.
• 现有的方法难以准确地界定小或定义不良的ROI.

研究的目的:

• 提出一个新的网络,BELGNet,用于增强医疗图像细分.
• 改善小ROI在类不平衡医学成像数据集中的精确细分.
• 开发一种有效地整合本地和全球特征的方法,同时强调边界信息.

主要方法:

• 一个本地-全球协作编码器,使用注意力融合来整合基于CNN的本地功能和基于Mamba的全球功能.
• 一个边界信息增强解码器,结合边界注意模块来完善细分细节.
• 实施BELGNet,利用本地和全球特征提取,并采用特定关注机制.

主要成果:

• 贝尔格网在各种公共类不平衡的医疗图像细分数据集上表现出卓越的表现.
• 拟议的网络有效地解决了细分小ROI和模糊边界的挑战.
• 实验结果显示,BELGNet在细分精度方面超过了现有最先进的方法.

结论:

• 贝尔格网为医疗图像细分提供了强大的解决方案,特别是在具有挑战性的阶级不平衡场景中.
• 地方-全球特征的整合和边界增强显著提高了细分精度.
• 拟议的方法提升了用于临床应用的自动化医学图像分析的能力.