医疗图像细分的本地-全球多尺度关注网络.

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:

• 深度学习显著推进了医疗图像细分.
• 现有的方法难以提取全面的本地和全球图像信息.
• 不准确的特征选择对当前的细分模型构成了挑战.

研究的目的:

• 为改善医疗图像细分引入一种新的深度学习架构.
• 解决局部和全球信息提取和核心功能选择的局限性.
• 为了提高医疗图像分割的准确性和效率.

主要方法:

• 提出了地方-全球多层次关注网络 (LGMANet).
• 引入了局部-全球信息处理块 (LGIPB),用于在下采样过程中进行深度特征挖掘.
• 设计了一种高效的多尺度重建注意力 (EMRA) 模块,用于核心特征提取和噪声抑制.

主要成果:

• 在多个数据集中,LGMANet表现出卓越的细分性能.
• 在欧盟 (IoU) 上获得高交叉分:ISIC2018 (85.28%),CVC-ClinicDB (82.67%),BUSI (70.07%) 和GLaS (88.90%).
• 该LGIPB和EMRA模块有效地改善了信息提取和特征选择.

结论:

• LGMANet为准确的医疗图像细分提供了一个有前途的解决方案.
• 这种新的架构有效地整合了本地和全球信息处理.
• 该模型显示了需要精确图像细分的临床应用的巨大潜力.