PMSFINet:用于医疗图像细分的渐进式多尺度特征交互网络

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 斯温变压器通过基于窗口的多头自我注意来减少计算复杂性的密集预测任务.
• 在Swin Transformer中存在医疗图像分割的局限性,特别是在多尺度特征融合和复杂结构的边界保护方面.

研究的目的:

• 提出PMSFINet,一个新的医疗图像细分网络.
• 通过渐进的多尺度特征交互来增强表示学习,以提高细分精度.

主要方法:

• 开发了一个渐进式多尺度特征交互 (PMSFI) 模块,配有双尺度窗口交互注意力 (DSWIA) 块,用于高效的计算和跨尺度信息交换.
• 集成了具有超分辨率,空间注意力的多尺度超分辨率解码器 (MSRD) 和局部相似感知采样器 (LSAS) 来改进细节和增强边界.
• 采用交叉注意力融合 (CAF) 模块,以混合注意力为双分支特征的动态融合,改善特征互补性.

主要成果:

• 在Synapse上获得了84.94%的子得分,在ACDC上达到92.43%,在ISIC2018数据集上达到90.79%.
• 在各种医学成像任务中表现出强大的概括性和稳定性.
• 废弃性研究证实了各个拟议成分的有效性.

结论:

• PMSFINet有效地解决了医疗图像分割的多尺度特征融合和边界保护的局限性.
• 拟议的网络显示了提高自动化医疗图像分析的准确性和可靠性的巨大潜力.
• 在各种医学成像模式下,PMSFINet提供了一个强大的解决方案,用于分割复杂和模两可的结构.