边缘引导的多尺度频率注意网络用于胃肠癌图像分割
IEEE journal of biomedical and health informatics
|November 24, 2025
概括
一个新的网络,EGMFA-Net,通过自适应地调整特征提取和聚合多尺度频率细节来增强胃肠道瘤细分. 这种方法提高了复杂医学图像的计算机辅助诊断的准确性.
科学领域:
- 医学图像分析 医学图像分析
- 计算机辅助诊断 计算机辅助诊断
- 人工智能在医学中的应用
背景情况:
- 精确的胃肠道瘤细分对于计算机辅助诊断系统的临床决策至关重要.
- 现有的细分模型与胃肠道瘤的多样性形态和模糊边界作斗争,导致性能不佳.
- 需要先进的细分技术来提高特征识别和复杂病理环境中的适应性.
研究的目的:
- 开发一个先进的细分网络,EGMFA-Net,专门设计用于胃肠道瘤细分.
- 为应对各种瘤形态和医学图像模糊边界所带来的挑战.
- 通过改进图像细分来提高计算机辅助诊断系统的准确性和稳定性.
主要方法:
- 设计了一个边缘引导的多尺度频率注意网络 (EGMFA-Net),包含一个内核自适应增强模块 (KAEM) 和一个频率域自我注意模块 (FDSA).
- 根据病变形态学,KAEM根据适应性调整了特征提取内核,优化了特征表示.
- FDSA在频域中聚合了多个尺度的特征,以实现全球接收场,同时保留高频细节.
主要成果:
- 根据EGMFA-Net的研究结果,在8个不同的医疗图像基准数据集 (SEED,Kvasir,ClinicDB,ColonDB,ETIS,BKAI,CVC-300和Synapse) 中展示了最先进的性能.
- 提出的模块有效地增强了对不同形态区域的识别,并提高了对复杂病理环境的适应能力.
- 实验结果表明,与现有的胃肠道瘤细分方法相比,它的精度和稳定性更高.
结论:
- EGMFA-Net在胃肠道瘤细分方面取得了重大进展,其表现优于当前最先进的方法.
- 网络的架构,特别是KAEM和FDSA,有效地处理与瘤形态和边界模糊性相关的挑战.
- 这项工作有助于提高计算机辅助诊断系统的准确性,可能导致更好的临床决策和治疗.
