一个双分支网络用于医疗图像中的病变细分,使用状态空间模型

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在医学图像中精确的病变细分对于诊断和治疗至关重要.
• 目前的方法难以捕捉本地和全球图像特征,限制了细分的准确性.
• 需要先进的模型,可以有效地整合各种特征信息,以精确识别病变.

研究的目的:

• 开发一个新的双分支网络,以加强医疗损伤细分.
• 改进本地和全球特征的提取,以获得更高的细分精度.
• 提供一个计算效率高,适应性强的模型,用于对各种大小的病变进行细分.

主要方法:

• 一个双分支编码器,集成一个视觉状态空间编码器 (用于远程依赖) 和一个残余网络 (用于本地特征).
• 一个轻量级的多尺度深度可分离的卷积块,用于精致的特征表示.
• 功能融合,然后用解码器进行高精度损伤细分.

主要成果:

• 拟议的模型在Kaggle_3M和Kvasir-SEG数据集上比最先进的方法取得了更高的性能.
• 在Kaggle_3M上获得0.9140的子相似系数 (Dice) 和0.0800的虚假负率 (FNR).
• 在Kvasir-SEG上获得了0.9173的子和0.0788的FNR,证明了强大的跨数据集泛化.

结论:

• 这种新型的双分支网络有效地集成了状态空间模型和深度卷积网络,以改善损伤细分.
• 该模型能够捕获本地和全球特征,这为医学图像分析中的临床应用提供了显著的潜力.
• 这项工作为推进医疗图像细分技术提供了宝贵的见解.