相关实验视频
Updated: Sep 13, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
501
SCFMUNet:基于多尺度状态空间模型和道关注的融合架构,用于医疗图像细分
Zhiyong Huang1, Zhiyu Zhao2, 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
SCFMUNet通过增强本地和全球特征建模来改善医疗图像细分,以更好地检测微妙的病变和不清楚的边界. 这种新的方法在多个基准数据集上实现了卓越的性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医学图像细分对于诊断和治疗计划至关重要.
- 像CNN和变压器这样的当前方法在受感场和计算复杂性方面存在局限性.
- 国家空间模型擅长长远程依赖,但缺乏本地建模和道关注.
研究的目的:
- 介绍SCFMUNet,一种新的网络架构,旨在增强医疗图像细分的本地和全球建模.
- 改善检测病变和不清楚边界的微妙差异.
- 为了在多器官和皮肤病变数据集中实现卓越的细分性能.
主要方法:
- 在瓶中,SCFMUNet集成了多尺度状态空间融合,将卷积和SS2D结合起来进行特征处理.
- 在跳过连接中使用一个封闭的自适应通道机制,用于动态特征调整和融合.
- 空间通道状态空间模型用于解码器阶段,用于先进的空间和通道级建模.
主要成果:
- SCFMUNet在Synapse上获得了82.31%的Dice分数,在ACDC数据集上达到92.14%.
- 在ISIC2017和ISIC2018皮肤病变数据集上,SCFMUNet获得了分别为90.69%和89.69%的Dice分数.
- 与最先进的方法相比,该模型在Synapse和ACDC上显示了0.85%至1.0%的改善,在皮肤病变数据集上显示了0.5%至2%的改善.
结论:
- SCFMUNet有效地增强了用于医疗图像细分的本地和全球建模.
- 拟议的融合策略显著提高了细分精度,特别是在具有微妙或不清楚损伤边界的具有挑战性的病例中.
- 实验结果证实了SCFMUNet在各种生物医学数据集上比现有最先进的方法更优越的性能.
