DCTC-Net:双分支交叉融合变压器-CNN架构用于医疗图像分割

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 混合CNN-变压器模型显示出医疗图像细分的前景.
• 现有的模型在适应性特征提取和全面注意力机制方面扎.

研究的目的:

• 为医疗图像分割引入一种新的双分支交叉融合变压器-CNN架构 (DCTC-Net).
• 在医学图像细分模型中增强适应性特征提取和跨维注意力.

主要方法:

• 在CNN分支中实现了动态可变形卷积 (DDConv),用于自适应特征提取.
• 在变压器分支中集成了一个 (转移) 窗口自适应补充注意力模块 ((S) W-ACAM),用于跨维的注意力.
• 开发了一个双分支交叉融合架构 (DCTC-Net),结合了CNN和变压器组件.

主要成果:

• 与最先进的方法相比,DCTC-Net展示了优越的医疗图像细分性能.
• 拟议的网络以更少的参数和更低的计算成本实现了更好的结果.
• DCTC-Net不需要预训练才能有效地发挥作用.

结论:

• DCTC-Net有效地解决了医疗图像细分现有混合模型的局限性.
• 新的DDConv和 (S) W-ACAM模块显著改善了特征表示和注意力.
• DCTC-Net为医疗图像细分提供了一个有前途,高效和高性能的解决方案.