DPGNet:通过不确定性感知进行边界意识医疗图像分割框架
IEEE journal of biomedical and health informatics
|August 22, 2025
概括
通过精确划分解剖边界, 增强了医学图像的细分. 它提供卓越的准确性和效率,为临床医生提供不确定性地图以提高诊断精度.
科学领域:
- 医学图像分析
- 医学的人工智能
- 计算机视觉
背景情况:
- 准确的医学图像细分对于诊断和治疗计划至关重要.
- 现有的方法难以精确地界定复杂的解剖结构.
- 深度学习模型通常需要大量的注释数据,并且可以是计算密集的.
研究的目的:
- 推出适应性深度学习模型DPGNet,用于精确的医疗图像细分.
- 用一种新的方法模仿专家对复杂解剖边缘的感知.
- 在细分模型中提高性能和计算效率之间的平衡.
主要方法:
- 一个三阶段的逐步改进策略:全球背景,层次特征增强和局部边界划定.
- 一个新的边缘差异注意 (EDA) 模块来量化边界不确定性,而无需明确的监督.
- 一个轻量级的基于变压器的架构,
主要成果:
- 在各种医学图像数据集上,DPGNet 始终优于最先进的方法.
- 在边界精细化方面取得了高精度,通过边界-IoU和HD95指标验证.
- 与现有模型相比,具有25.51M参数的计算开销显著降低.
结论:
- DPGNet为医疗图像细分提供了高精度和计算效率的解决方案.
- 该模型提供明确的不确定性边界图,帮助临床医生识别模两可的区域.
- DPGNet提高了诊断精度,并促进了更准确的临床细分结果.


