DGA-Net:用于医疗图像中的肝脏瘤细分的双分支组聚合网络

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算成像技术的成像

背景情况:

• 肝细胞癌 (HCC) 是全球癌症死亡的主要原因,需要精确细分肝脏和瘤区域以进行有效的治疗.
• 目前用于肝癌细分的深度学习方法在像素间关系建模,特征融合和计算效率方面面临挑战.

研究的目的:

• 开发一个先进的深度学习模型,DGA-Net (双分支组聚合网络),用于精确的肝脏瘤细分.
• 解决现有模型的局限性,包括不足的像素间建模和高计算成本.

主要方法:

• 拟议的DGA-Net,具有双分支编码器与富里埃光谱学习多尺度融合 (FSMF) 和多轴聚合哈达马德注意力 (MAHA) 分支.
• 在解码器中集成了一个组多头交叉注意力聚合 (GMCA) 模块,用于增强功能合并和远程依赖模型.
• 利用里埃网络进行振幅/相位学习和空间聚合,以提高特征和降低成本.

主要成果:

• 在LiTS2017肝脏瘤数据集上实现了最先进的性能,每例Dice (DPC) 得分为肝脏的94.84%和瘤的69.51%.
• 在肝脏和瘤细分的准确性方面,其表现优于PVTFormer和AGCAF-Net等领先的方法.
• 在3DIRCADb数据集上表现出强大的概括能力,证实了模型的稳定性.

结论:

• DGA-Net有效地解决了肝脏瘤细分方面的关键挑战,提供了更高的准确性和效率.
• 拟议的架构增强了像素间关系和特征融合的建模,从而带来了优越的细分结果.
• 在肝癌诊断和治疗规划中,DGA-Net具有显著的临床应用潜力.