EMCAH-Net:一个有效的多尺度上下文聚合混合网络,用于医疗图像细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 医疗图像细分具有挑战性,因为尺度可变,形状复杂,对比度低.
• 现有的混合网络很难有效地整合本地 (CNN) 和全球 (变压器) 功能.
• 当前模型中的自我注意力机制往往忽略了关键的空间和道信息.

研究的目的:

• 开发一个强大的混合深度学习模型,用于准确的医学图像细分.
• 加强医疗图像分析中当地多个规模和全球特征的整合.
• 改进挑战性特征的细分,如小目标和模糊的界限.

主要方法:

• 提出了有效的多规模上下文聚合混合网络 (EMCAH-Net).
• 集成了一个有效的多尺度上下文聚合 (EMCA) 块用于本地特征编码.
• 采用双重注意力增强自我注意力 (DASA) 块,通过空间和道注意力来增强全球代表性.

主要成果:

• 在Synapse (84.73%),ACDC (92.33%) 和DRIVE (82.47%) 数据集上获得了优异的子相似系数 (DSC) 评分.
• 与最先进的方法相比,显示出显著的改进,在Synapse数据集上超过TransUNet的7.25%DSC.
• 与TransUNet.net相比,保持了计算效率,只需要25%的参数和71%的FLOP.

结论:

• 在医疗图像中,EMCAH-Net擅长对多尺度,小尺度和边界模糊的特征进行细分.
• 该模型在腹部,心脏和视网膜图像细分方面超过了现有的CNN,变压器和混合架构.
• 对于医疗图像细分任务,EMCAH-Net提供了一个强大而高效的解决方案.