医疗图像分段:DGEAHorNet:一个具有双重跨全球高效关注的高级空间交互网络,用于医疗图像分段
Haixin Peng1, Xinjun An2, Xue Chen1
1College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao, 266590, China.
Physical and engineering sciences in medicine
|July 24, 2025
概括
一个新的框架,DGEAHorNet,通过使用双重交叉全球高效关注提取多层次信息来改善医疗图像细分. 这种先进的方法提高了在各种数据集中对复杂结构进行细分的准确性.
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:
- 医疗图像细分至关重要,但由于形状,位置和尺寸的变化而具有挑战性.
- 准确的细分对于诊断和治疗规划至关重要.
研究的目的:
- 为改善医疗图像细分提出一个新的更高层次的空间交互框架,DGEAHorNet.
- 增强多尺度上下文信息的提取,并解决医学图像中的语义差距.
主要方法:
- 开发了DGEAHorNet,使用递归门卷积来进行多尺度特征提取.
- 在跳过连接中包含双交叉注意 (DCA) 和瓶中的全球通道空间注意模块 (GCSAM).
- 利用深度超参数化的卷积层 (DO-Conv) 和高效的注意力 (EA) 来优化性能和降低复杂性.
主要成果:
- 实现了高的子相似度系数:0.9320 (ISIC2018),0.9337 (ISIC2017),0.9312 (CVC-ClinicDB) 和0.7799 (HRF). 获得了高的子相似度系数:0.9320 (ISIC2018),0.9337 (ISIC2017),0.9312 (CVC-ClinicDB),以及0.7799 (HRF). 获得了高的子相似度系数:0.9320 (ISIC2018),0.9337 (ISIC2017),0.9312 (CVC-ClinicDB),以及0.7799 (HRF). 获得了高的子相似度系数:0.9320 (ISIC2018),0.9337 (ISIC2017),0.9312 (CVC-ClinicDB),以及0.7799 (HRF). 获得了高的子相似度系数
- 与公共数据集上的现有先进方法相比,表现出优越的性能.
- 拟议的模型有效地融合了多阶段的特征,并缩小了语义差距.
结论:
- 医疗图像细分的准确性和稳定性得到了显著的改善.
- 该框架的注意力机制和新的卷积层有助于增强特征表示.
- 该代码的公开可用性有助于进一步的研究和应用.
