GH-UNet:集团智能混合卷积-VIT,用于强大的医疗图像细分
Shengxiang Wang1, Ge Li2, Min Gao3
1School of Data Science and Artificial Intelligence, Wenzhou University of Technology, Wenzhou, China.
NPJ digital medicine
|July 10, 2025
概括
GH-UNet通过结合卷积和变压器网络来改善医疗图像细分,以更好地捕捉远程依赖. 这种高效的模型以更少的参数和计算实现了卓越的性能.
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:
- 医学图像细分对于临床诊断至关重要.
- 优秀的U-Net模型却面临着复杂的解剖结构和远程依赖性的挑战.
研究的目的:
- 推出GH-UNet,一个新的集团智能混合卷积视觉变压器 (ViT) 模型,旨在增强医疗图像细分.
- 改善医疗图像中捕捉局部细节和全球背景的功能.
主要方法:
- 开发了GH-UNet,集成混合卷积变压器编码器用于本地和全球特征提取.
- 整合了一个集团智能动态门 (GDG) 模块,用于自适应特征加权.
- 使用级联解码器进行多级别的功能集成,确保各种骨干的模块化.
主要成果:
- 在五个公共和一个私人医疗图像细分数据集中,GH-UNet表现出卓越的性能.
- 与H2Former相比,在ISIC2016数据集上实现了DICE (1.37%) 和IOU (1.94%) 的显著增长.
- 展示了显著的效率,仅使用了38%的参数和49.61%的FLOP.
结论:
- GH-UNet有效地解决了U-Net模型在捕获远程依赖方面的局限性.
- 拟议的模型为医疗图像细分提供了计算效率高和高性能解决方案.
- 模块化设计允许灵活地与不同网络架构集成.
