通过使用线性可变形卷积和多尺度自我注意的解码器进行轻量级2D医疗图像分割

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 医疗图像细分面临着计算密集型解码器的挑战,特别是在资源有限的环境中.
• 现有的解码器设计由于其简单性,往往限制了细分性能.
• 在医学图像分割中平衡计算效率,轻量化设计和高精度是一个重大挑战.

研究的目的:

• 为医疗图像分割引入一种新,计算效率高,轻量级的解码器.
• 增强医学图像细分模型中的表示能力和特征地图增强.
• 提高医疗图像细分的准确性和计算效率.

主要方法:

• 开发了一种集线可变形卷积和多尺度自我注意 (LDMSD) 的新型解码器.
• 整合了一个多层次的自我注意力增强模块,具有两个不同的机制.
• 使用线性可变形卷积注意力引导机制来跳过连接功能增强.

主要成果:

• LDMSD显著提高了表示能力和功能地图增强.
• 该方法有效地捕获了全球和多个规模的目标信息,准确地定位了边界和结构.
• 与CASCADE相比,LDMSD实现了77.36%的FLOP减少和81.66%的参数减少.

结论:

• 在医学图像细分方面,LDMSD在准确性和计算效率之间提供了卓越的平衡.
• 拟议的解码器有效地解决了传统卷曲的局限性,并增强了语义关系的捕获.
• 在六个数据集上的实验验证证证了LDMSD在医疗图像细分方面的最先进性能.