SEFormer用于医疗图像细分,集成全球和本地功能
Chen Ge1, Haoze Pan2, Yihua Song3,4
1Shandong University of Engineering and Vocational Technology, Jinan, 250200, China.
Scientific reports
|November 25, 2025
概括
这项研究介绍了SEFormer,一种新的医学图像细分方法. 它通过将卷积神经网络 (CNN) 与变压器和SE融合相结合来提高准确性,以获得卓越的本地和全球特征表示.
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:
- 现有的医疗图像细分方法难以同时捕捉本地和全球特征.
- 基于变压器和CNN的方法在有效地表示这两种特征类型方面存在局限性.
研究的目的:
- 提出一种新的混合网络架构,SEFormer,用于增强医疗图像细分.
- 通过有效利用本地和全球特征表示来提高细分精度和效率.
主要方法:
- 开发了一个混合网络,结合了SENet,ResNet (CNNs) 和变压器组件.
- 在特征金字塔结构中利用SE融合,在每个层集成本地和全球特征.
- 整合了图像金字塔概念,以实现更大的受体场,并防止功能丢失.
主要成果:
- 在医疗图像细分任务中,SEFormer表现出卓越的性能.
- 与现有方法相比,CHASEDB数据集的细分精度提高了3.25%.
- 混合架构有效地捕捉了本地和全球特征,提高了细分质量.
结论:
- SEFormer在医疗图像细分方面取得了重大进展.
- 拟议的混合方法有效地解决了先前特征表示方法的局限性.
- 这种方法有望通过增强的医学图像分析来提高诊断准确性.
