BSA-Seg:一个双层稀疏注意网络,结合狭窄带损失,用于多目标医疗图像细分
Zhiyong Zhou1, Zhechen Zhou1, Xusheng Qian1
1School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei 230026, China; The Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Science, Suzhou 215163, China.
概括
这项研究引入了一种新的双层稀疏注意网络和狭窄带损失,用于医疗图像细分. 这些创新提高了对多个目标进行细分的准确性和效率,优于现有的方法.
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:
- 基于变压器的方法对医疗图像细分有希望,但在计算上是密集的.
- 现有的注意力机制以精度为代价减少了计算.
- 当前损失函数与复杂的组织边界作斗争,导致细分不准确.
研究的目的:
- 开发一种更准确,更有效的方法来对多目标医学图像进行细分.
- 为了解决现有的基于变压器的细分技术的局限性.
- 为了改善具有复杂边界的组织的细分.
主要方法:
- 引入了一个双层稀疏注意力模块 (BSAM),用于适应性受感场的补丁级和像素级注意力.
- 开发了一个窄带 (NB) 损失函数来指导边界意识的细分.
- 制定了一个包含BSAM和NB损失的细分网络.
主要成果:
- 拟议的方法实现了增强的细分精度,同时降低了计算复杂性.
- 该NB损失函数有效地缓解了过度细分和不足细分的问题.
- 在各种医学图像 (大脑,瘤,腹部器官) 上的实验表明,与最先进的方法相比,性能优越.
结论:
- 双层稀疏注意力网络和狭窄带损失在医疗图像细分方面取得了重大进展.
- BSAM和NB损失具有多功能,可以集成到各种网络架构中.
- 这种方法有望改善疾病诊断和病理学研究.
