FocalTransNet:用于医疗图像分割的混合焦点增强变压器网络

科学领域:

• 医学图像分析
• 深度学习
• 计算机视觉

背景情况:

• 卷积神经网络 (CNN) 在医疗图像细分方面表现出色,但受体领域有限.
• 整合变压器到CNN可以改善长距离的依赖,
• 现有的混合型号难以在各个尺度上实现全面的功能融合.

研究的目的:

• 推出FocalTransNet,一个用于改善医疗图像细分的新型混合变压器网络.
• 解决当前细分模型中的局部受容场和细节丢失的局限性.
• 通过在多个尺度上有效地融合本地和全球特征来实现卓越的性能.

主要方法:

• 在CNN-变压器双路结构中开发了焦增强 (FE) 变压器模块.
• 在整个编码器中部署FE变压器以进行全面的本地和全球特征提取和融合.
• 引入了对称补丁合并 (SPM) 模块,以在下方采样过程中保留细粒度的细节.

主要成果:

• FocalTransNet在四个医学图像细分基准上表现出卓越的表现.
• 拟议的方法超过了最先进的CNN,变压器和现有的混合网络.
• FE变压器和SPM模块有效地解决了特征融合和细节保存问题.

结论:

• FocalTransNet在医疗图像细分方面取得了重大进展.
• 这种混合方式有效地结合了CNN和变形金刚的优势.
• 该方法对需要高分段精度的各种医学成像应用具有前景.