跨模式双域双向特征交互网络用于医学成像学语义细分学语义细分学
Tao Zhou1,2, Qitao Liu3,4, Ke Song1,2
1School of Computer Science and Engineering, North Minzu University, Yinchuan, 750021, China.
Scientific reports
|December 4, 2025
概括
本研究介绍了DBW-Net,这是一个新的跨模式细分网络,有效地融合了空间和频率特征,以改进医疗图像分析. 该网络提高了肺和脑瘤的细分精度,有助于早期病变检测和诊断.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
- 计算机视觉 计算机视觉
背景情况:
- 跨模式医疗图像细分通常忽视空间和频率特征之间的相互依赖.
- 在现有方法中,微粒度频率特征的有效融合仍然是一个挑战.
研究的目的:
- 提出DBW-Net,一个跨模式分段网络,旨在解决融合空间和频率特征的局限性.
- 提高医疗图像细分的准确性和稳定性,以改善病变检测.
主要方法:
- 设计了一种跨模式的双域双向特征交互细分网络 (DBW-Net),有三个编码器 (PET/CT,PET,CT) 和一个解码器.
- 引入了一个跨模特特征提取器 (CMFE),使用2D DCT和多频跨维的注意力将空间转换为光谱图.
- 在瓶层开发了一个交叉模式特征合器 (CMFC),以利用跨域合注意力,在空间和频率领域融合多模式信息.
主要成果:
- DBW-Net在肺部和脑瘤数据集的细分指标中显示出显著的改进.
- 对于肺瘤细分,改善包括3.02% (Miou),2.32% (Dice),4.66% (Voe),2.63% (Rvd) 和4.16% (回忆).
- 对于脑瘤细分,改善包括3.06% (Miou),2.31% (Dice),4.68% (Voe),2.64% (Rvd) 和5.76% (回忆).
结论:
- DBW-Net有效地整合了空间和频率特征,从而提高了细分的准确性和稳定性.
- 提出的方法显示出高精度和低冗余性,特别是在复杂形状的病变.
- DBW-Net为早期病变的准确识别和诊断提供了宝贵的技术支持.
