DBCM-net:用于医疗图像细分的双脊柱级联多卷积细分网络
Xiuwei Wang1, Biyuan Li1,2, Jinying Ma1
1School of Electronic Engineering, Tianjin University of Technology and Education, Tianjin, 300222, People's Republic of China.
Biomedical physics & engineering express
|September 17, 2025
概括
本研究介绍了双脊柱级联多卷积细分网络 (DBCM-Net),用于准确的医疗图像细分. DBCM-Net克服了现有模型的局限性,在细分具有挑战性的内镜和皮肤镜图像方面实现了卓越的性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医学图像细分对于临床应用至关重要,但在内镜/皮肤镜图像中面临着低对比度和模糊边界的挑战.
- 现有的单个和双编码器架构在细节保存和上下文集成方面扎,导致细分不准确.
研究的目的:
- 开发一个先进的细分网络,双脊柱级联多卷积细分网络 (DBCM-Net),以解决医疗图像细分方面的局限性.
- 提高细节的准确性和保存在细分具有挑战性的医疗图像,特别是来自内镜和皮肤镜来源的图像.
主要方法:
- 采用级联式双编码器架构,采用多轴视觉变压器和Vision Mamba编码器进行多尺度特征提取.
- 引入了全球和本地融合注意区块 (GLFAB) 和深度可分离的卷积注意模块 (DSCAM),以增强特征表示和集成.
- 使用特征精制融合块 (FRFB) 在级结构内精制特征地图.
主要成果:
- 在CVC-ClinicDB上获得了94.93%的高子系数,在ISIC2018上获得了91.93%的高子系数,在ACDC上获得了92.73%.
- 与最先进的方法相比,在多个医疗图像细分数据集中表现出卓越的性能.
- 展示了细粒度边缘细节在分割图像中的有效保存.
结论:
- DBCM-Net为精确的医疗图像细分提供了一个强大的解决方案,优于现有的方法.
- 拟议的架构有效地整合了多个规模的功能和注意力机制,以提高细分精度.
- DBCM-Net显示了需要高保真度医疗图像细分的临床应用的巨大潜力.
