MBE-UNet:用于超声波细分的多分支边界增强U-Net
IEEE journal of biomedical and health informatics
|July 15, 2025
概括
本研究介绍了一种新的多分支边界增强网络 (MBE-UNet),用于改进超声波图像细分. 在临床诊断应用中,MBE-UNet精确地细分目标和划定边界,超过现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 医疗图像的准确细分对于疾病诊断和治疗至关重要.
- 超声波图像由于对比度低和边缘模糊而存在挑战,阻碍了现有的基于CNN的细分方法.
- 现有的方法往往难以获得超声波图像的令人满意的细分结果.
研究的目的:
- 引入一个新的多分支边界增强网络 (MBE-UNet) 用于自动超声波图像分割.
- 在超声波图像中同时实现准确的目标细分和边界划分.
- 提高医学成像中自动化细分的准确性和可靠性.
主要方法:
- 开发了一个新的多分支机构边界增强网络 (MBE-UNet).
- 整合了一个全球金字塔注意力模块 (GPAM) 用于多尺度的上下文信息捕获.
- 嵌入了边界级联模块 (BCM),以专注于边缘信息和边界生成.
- 使用边界特征融合模块 (BFM) 集成边界和区域信息.
主要成果:
- 拟议的MBE-UNet在细分超声波图像方面表现出卓越的性能.
- 该网络同时准确地分割目标并划定边界.
- 定量分析和视觉结果证实了MBE-UNet在经典细分网络上的有效性.
结论:
- MBE-UNet是一个有效的深度学习模型,用于自动超声波图像细分.
- 网络的多分支设计和边界增强模块有助于提高细分精度.
- MBE-UNet显示出使用超声波成像来增强临床诊断和治疗计划的巨大潜力.
