多尺度交互和本地增强的桥梁网络用于医疗图像细分
Zhiyong Huang1, Shiyao Zhou2, Zhi Yu2
1Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education of China, Chongqing University, Chongqing 400044, China; School of Microelectronics and Communication Engineering, Chongqing University, Chongqing 400044, China.
概括
MILENet通过有效地整合多尺度特征和增强本地细节来提高医疗图像细分的准确性. 这种新的网络在各种成像模式和解剖结构中取得了最先进的结果.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的医学图像细分对于诊断至关重要.
- 当前的卷积神经网络 (CNN) 和变压器由于简单的跳过连接而难以集成多尺度的功能.
- 这种限制导致全球和本地特征之间的错位,影响细分精度,特别是轮和细节.
研究的目的:
- 推出MILENet,一个新的多规模交互和本地增强的桥梁网络.
- 解决现有方法在有效整合多尺度特征和保存细粒度细节方面的局限性.
- 为了提高自动医疗图像分割的准确性和通用性.
主要方法:
- MILENet采用一个上下文桥梁与多尺度交互模块,用于特征重组和全球相关性.
- 一个局部增强模块,具有扩展的坐标注意力和级联卷积FFN,改善了局部上下文建模.
- 一个源驱动的连接机制保留了层层的详细信息,以进行增强的解码器重建.
主要成果:
- MILENet在腹部CT,心脏MRI和结肠镜数据集上取得了最先进的性能.
- 该网络在细分大器官 (CT/MRI) 和小息肉 (内镜图像) 方面表现出有效性.
- 结果表明,在各种解剖结构和成像条件中具有很强的概括性.
结论:
- MILENet有效地对齐了多个规模的特征,并增强了本地细节,大大提高了细分的准确性.
- 拟议的网络为各种医疗图像细分任务提供了强大的解决方案.
- 开源代码促进了医疗图像分析的进一步研究和应用.
