PSCT-Net:一个平行对称的CNN转换器混合网络,用于医疗图像细分
Bing Wang1, Hao Shi2, Zutong Zhao2
1School of Mathematics and Information Science, Hebei University, 071000, Baoding, China; Hebei Key Laboratory of Machine Learning and Computational Intelligence, Hebei University, 071000, Baoding, China.
Medical engineering & physics
|December 6, 2025
概括
通过合并CNN和变压器功能,PSCT-Net增强了医疗图像细分. 这种混合方法通过有效地结合本地和全球信息来改善临床分析,提高了细分的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分对于临床诊断和分析至关重要.
- 卷积神经网络 (CNN) - 变压器混合模型通过整合本地和全球特征依赖性来显示出前景.
- 现有的融合策略往往无法最佳地利用CNN和变压器的互补优势.
研究的目的:
- 提出一个新的混合网络,PSCT-Net,以改善医疗图像细分.
- 为异质CNN和变压器特征开发一种有效的三相聚变机制.
- 增强对本地和全球上下文信息的建模,以获得更高的细分性能.
主要方法:
- 推出了一个并行对称的CNN-变压器混合网络 (PSCT-Net).
- 为编码阶段的特征集成设计了一个层层的特征融合 (LWFF) 模块.
- 实现了一个多级特征融合 (MSFF) 模块用于跳过连接和一个双分支解码器与LWFF用于分辨率恢复.
- 集成的交叉变压器块来改进边界细节处理.
主要成果:
- 在四个不同的医学成像数据集中,PSCT-Net表现出卓越的性能.
- 拟议的三相聚变机制有效地整合了互补的本地和全球特征.
- 该网络在细分精度和稳定性方面显示出显著的改进.
结论:
- 通过最佳地融合CNN和变压器功能,PSCT-Net为医疗图像细分提供了有效的解决方案.
- 拟议的融合策略增强了捕捉多层次上下文依赖关系和边界细节的能力.
- PSCT-Net代表了医疗图像分析混合深度学习模型的重大进步.
