一个多分辨率混合CNN-变压器网络,用于医疗图像分割的规模引导注意力

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:

• 由于复杂的解剖学和各种目标大小,医疗图像细分是复杂的.
• 现有的方法在多尺度特征表示和全球上下文建模方面扎.

研究的目的:

• 开发一个先进的细分网络,以改善医疗图像分析.
• 为了应对在多种成像方式中对不同解剖结构进行细分的挑战.

主要方法:

• 一个新的U形网络集成卷积神经网络 (CNN) 和变压器.
• 编码器具有注意引导的多尺度特征提取和双路径下采样.
• 解码器具有先进的功能聚合和融合.
• 结合多级特征激活和多层上下文变压器的瓶.
• 多分辨率输出输出策略用于增强功能表示.

主要成果:

• 在多种多态医疗图像数据集 (超声波,胃肠道聚体,MRI,CT) 上展示了卓越的性能.
• 在定量和定性评估方面取得了最先进的结果.
• 有效建模相互依赖关系和全球背景,用于细粒度细分.

结论:

• 拟议的MSAGHNet有效地应对医疗图像细分方面的挑战.
• 混合CNN-变压器架构比现有方法提供了显著的改进.
• 这种方法在各种医学成像类型中很好地泛化.