通过多尺度依赖和注意力引导增强来弥合医疗图像细分中的语义差距
Mingrong Li1, Daming Zhang2, Qing He1
1College of Big Data and Information Engineering, Guizhou University, Guiyang, 550025, China.
Scientific reports
|October 31, 2025
概括
MAFormer是一个新的U形网络,通过弥合编码器-解码器模型中的语义差距来改善医疗图像细分. 这种新方法提高了损伤划分的准确性,在多个数据集上优于现有的方法.
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:
- 编码解码器网络是医疗图像细分的标准.
- 在编码器压缩和解码器重建之间存在语义差距.
- 现有的方法难以准确地划分病变.
研究的目的:
- 介绍MAFormer,一个新的U形网络用于医疗图像细分.
- 为了解决编码器-解码器架构中的语义差距.
- 为了提高病变划线的准确性.
主要方法:
- 开发了MAFormer,一个U形网络用于医疗图像细分.
- 引入了多尺度依赖特征构建 (MDFC) 模块,以完善跳过连接.
- 为语义对齐提出了注意力表示强化模块 (ARRM).
主要成果:
- MAFormer的性能始终超过了最先进的编码解码方法.
- 获得更高的子分数,表明细分精度有所提高.
- 在大规模和小规模数据集上都表现出有效性 (GlaS,Synapse,ISIC2018).
结论:
- MAFormer有效地弥合了医学图像细分中的语义差距.
- 拟议的MDFC和ARRM模块增强了特征融合和语义对齐.
- MAFormer在准确的医疗图像细分方面取得了重大进展.
