多尺度卷积注意力U-Net用于医疗图像细分.

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:

• U-Net网络是医疗图像细分的标准.
• 捕捉复杂结构的多尺度特征和空间背景存在挑战.

研究的目的:

• 提出一个新的基于U-Net的网络,MSCA-UNet,用于增强医疗图像细分.
• 通过集成专门的模块来提高特征表达和细分性能.

主要方法:

• 开发了MSCA-UNet集成自适应卷积 (AC),多尺度学习 (MSL) 和卷积注意力模块.
• 交流模块可自适应地提取各种形状和尺寸的特征.
• MSL模块融合了多分辨率功能,以实现丰富的连接.
• 在跳过连接中,Conv-Attention模块有效地捕获全球上下文.

主要成果:

• MSCA-UNet在细分精度和模型稳定性方面取得了显著的改进.
• 在CVC-ClinicDB,MICCAI 2023牙和ISIC2017数据集上进行验证.
• 在保持轻量级架构的同时,超越现有的细分方法.

结论:

• 拟议的MSCA-UNet有效地解决了用于医疗图像细分的多尺度特征和上下文提取的局限性.
• 实现了卓越的性能和坚固性,提供轻量级和高效的解决方案.