注意-非局部联网:用于医疗图像细分的注意和非局部联网
Xiaofen Jia1, Wenjie Wang2, Mei Zhang3
1School of Artificial Intelligence, Anhui University of Science and Technology, Huainan, 232001, China.
Computers in biology and medicine
|April 16, 2025
概括
本研究介绍了Atten-Nonlocal Unet,这是一个结合卷积神经网络 (CNN) 和变压器以增强医疗图像细分的新型模型. 它准确地捕捉了全球背景,提高了大和小器官的准确性.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 深度学习用于细分.
背景情况:
- 基于卷积神经网络 (CNN) 的模型主导医疗图像细分.
- CNN的一个主要局限性是它们无法捕捉远程依赖的缺陷.
- 变压器为全球环境提供了潜力,但可能是计算密集型的.
研究的目的:
- 开发一种先进的医学图像细分模型,克服CNN的局限性.
- 在2D医疗图像功能中精确捕捉全球背景.
- 为了提高对大和小解剖结构的细分精度.
主要方法:
- 提出了Atten-Nonlocal Unet模型,将CNN和变压器架构集成在一起.
- 利用BCSM注意模块进行增强的特征表示.
- 整合了Cross Non-local模块,以捕获远程空间信息.
主要成果:
- 专注非本地联网获得了高的子相似系数 (DSC) 评分: 84.15% (Synapse), 91.57% (ACDC) 和 86.94% (AVT).
- 实现了低95%的豪斯多夫距离 (HD) 值:15.17 (突触),1.16 (ACDC) 和4.78 (AVT).
- 与现有方法相比,表现出优越的细分性能,特别是对于小器官.
结论:
- 阿-非局部联网模型有效地整合了CNN和变压器,以实现卓越的医疗图像细分.
- 该模型捕捉全球背景的能力显著提高了细分精度.
- 这种方法显示了医学成像中各种解剖结构的精确细分的前景.
