边缘引导双向代网络在医学图像细分中的应用
Xuyun Peng1, Shaolong Chen2,3
1School of Sino-German Intelligent Manufacturing, Shenzhen City Polytechnic, Shenzhen, 518000, China.
Scientific reports
|November 10, 2025
概括
本研究介绍了一种新的边缘引导双向代网络 (EGBINet) 用于医疗图像细分. 通过实现双向信息流,EGBINet提高了细分的准确性,特别是在复杂的结构中.
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:
- 医学图像细分受到模糊边缘的挑战,影响复杂解剖结构的准确性.
- 当前的边缘增强网络经常遭受单向信息流,限制性能.
研究的目的:
- 提出一个新的边缘引导双向代网络 (EGBINet) 改进医疗图像细分.
- 通过实现边缘和区域信息的双向流动来提高细分精度.
主要方法:
- 开发了一个循环网络架构,使编码器和解码器之间实现双向信息流.
- 引入了基于变压器的多级自适应协作模块 (TACM),以改进功能融合.
- 结合边缘功能与多级区域功能,以增强前路径和代优化.
主要成果:
- 在多个医疗图像细分数据集上,EGBINet在最先进的方法上表现出显著的性能优势.
- 在复杂的解剖结构中实现了优越的边缘保护和细分精度.
- 验证了双向代方法和TACM模块的有效性.
结论:
- 拟议的EGBINet有效地解决了医疗图像分割网络中单向流量的局限性.
- 双向信息交换和自适应特征融合带来了优越的细分性能.
- 对于需要高精度医疗图像细分的临床应用,EGBINet具有很大的潜力.
