一个渐进的融合网络用于内镜医疗图像细分
Lihong Fu1,2, Zhengping Li3,4, Chao Xu1,2
1School of Integrated Circuits, Anhui University, HeFei, 230601, China.
Scientific reports
|November 29, 2025
概括
一个新的渐进融合网络 (PFNet) 通过有效地结合本地细节和全球背景来增强内镜图像细分. 这种方法提高了复杂器官和组织识别的诊断准确度.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 医疗保健中的人工智能
背景情况:
- 精确的内镜图像细分对于医学诊断和程序指导至关重要.
- 现有的细分方法与复杂的形态学,模糊的边界和类似的纹理作斗争,原因是整合本地和全球信息的局限性.
研究的目的:
- 开发一种先进的内镜图像分割方法,有效地利用本地细节和全球语义信息.
- 提高内镜成像中器官和组织细分的准确性和效率.
主要方法:
- 提出了一种使用Pvtv2与变压器骨干进行多规模全球特征提取的渐进融合网络 (PFNet).
- 引入了噪音过注意力模块 (NFAM),以增强功能语义和抑制噪音.
- 开发了一个边界和位置意识模块 (BLAM) 和辅助信息嵌入模块 (AIEM),以集成边界和位置信息.
- 采用特征融合模块 (FFM) 进行代层次融合,以恢复全球语义和本地细节.
主要成果:
- 在多个内镜数据集 (尿道,Re-TMRS,Kvasir,CVC-ClinicDB,CVC-ColonDB,ETIS,CVC-300) 中,PFNet表现出优于最先进的方法的性能.
- 获得了高的mDice分数,包括Re-TMRS数据集上的91.07%和CVC-ClinicDB数据集上的93.09%.
结论:
- 拟议的PFNet有效地解决了先前方法的局限性,通过协同利用本地和全球特征来实现精确的内镜图像细分.
- PFNet在内镜图像的自动化分析方面取得了重大进展,有可能提高临床实践中的诊断效率和准确性.
