相关实验视频
Updated: Sep 17, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
529
多尺度融合语义增强网络用于医疗图像细分
Zilong Zhang1,2, Chao Xu3,4, Zhengping Li1,2
1School of Integrated Circuits, Anhui University, HeFei, 230601, China.
Scientific reports
|July 2, 2025
概括
一个新的多尺度融合和语义增强网络 (MFSE-Net) 通过将变压器的全球上下文与CNN的本地细节相结合来改善医疗图像细分,提高诊断准确度.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 医疗保健中的人工智能
背景情况:
- 医学图像分割 (MIS) 对于临床诊断和治疗至关重要.
- 变压器模型在全球范围内表现出色,但在局部特征依赖性方面扎.
- 现有的方法需要改进,以准确细分详细的医学图像.
研究的目的:
- 开发一个先进的网络,MFSE-Net,以改善内镜图像细分.
- 增强全球信息的捕获和医疗图像中地方特征的详细描述.
- 解决变压器模型在处理局部特征依赖性方面的局限性.
主要方法:
- MFSE-Net采用双编码器架构:PVTv2用于全球功能,CNN用于本地细节.
- 包含大型内核分组可变形注意力 (LGDA) 用于噪声过和语义提取.
- 使用多层交叉注意力融合 (MLCF) 来合并语义和空间信息.
- 在解码器中具有并行语义增强 (PSE) 模块和规模意识模块 (SAM),用于边界和全局信息恢复.
主要成果:
- 与最先进的 (SOTA) 方法相比,MFSE-Net显示出更高的性能.
- 在瘤和片数据集上的细分精度得到了显著的改进.
- 有效地捕捉全球背景和本地细节,以实现精确的细分.
结论:
- 对于医疗图像细分的挑战,MFSE-Net提供了一个强大的解决方案.
- 拟议的网络架构有效地提高了细分精度和细节.
- MFSE-Net显示出在诊断和治疗规划中临床应用的巨大潜力.
