MPCNet:具有感知编织和上下文感知融合的多尺度分解网络,用于强大的2D医疗图像分类
Xingyue Ding1, Haiyan Li1, Yiyin Tang2
1School of Information Science and Engineering, Yunnan University, Kunming 650504, People's Republic of China.
Physics in medicine and biology
|October 30, 2025
概括
一个新的多尺度网络 (MPCNet) 通过有效地整合细粒度和粗粒度特征来增强医疗图像分类. 这种强大的方法在各种数据集中实现了最先进的性能,提高了诊断准确度.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像分类对于诊断至关重要,但受到全球依赖性建模,特征平衡和多尺度集成的挑战.
- 现有的方法在不同的数据集和病变类型中难以适应.
研究的目的:
- 引入一个新的网络,MPCNet,用于强大的2D医疗图像分类.
- 解决全球依赖性建模,平衡特征和整合多尺度信息方面的局限性.
主要方法:
- 提出了一个多尺度分解网络 (MPCNet),其特点是感知编织和上下文意识的融合.
- 采用细粒度特征的等级卷积和双聚合,对粗粒度特征给予动态关注.
- 利用空间和道注意力来实现互补特征的自适应融合.
主要成果:
- 在不同的数据集上,MPCNet实现了高精度:性结肠炎 (87.54%),Kvasir (81.98%),COVID-19 (73.68%),PAD-UFES-20 (72.81%) 和胎儿计划-DB (96.57%).
- 对各种疾病类型和数据特征表现出强大的适应能力.
- 废弃和比较研究证实了单个模块的有效性和整体性能.
结论:
- MPCNet为医疗图像分析提供了强大且统一的解决方案.
- 提出的方法表现出优越的概括能力和最先进的性能.
- 该代码是公开可用的,用于进一步的研究和应用.
