IAP-TransUNet:整合注意力机制和金字塔聚合,用于医疗图像细分
Yuxuan Shi1, Fang Li2, Shuting Zhao3
1ENT Institute and Department of Otolaryngology, Eye & ENT Hospital of Fudan University, Shanghai, China.
Frontiers in neurorobotics
|December 17, 2025
概括
这项研究引入了一种用于医疗图像细分的新型网络,增强特征提取和多尺度上下文. 改进的IAP-TransUNet在CT和MRI数据集上表现出卓越的性能.
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:
- 卷积神经网络 (CNN) 和变压器在医学图像细分方面表现有前途.
- 局限性包括CNN的本地接收场和变形金刚的有限的区域间通信.
研究的目的:
- 通过解决CNN和变压器的局限性来增强医疗图像细分.
- 开发一个集成的注意力和金字塔聚合网络,以改善特征提取和上下文意识.
主要方法:
- 将一个高效的频道注意力机制集成到CNN中,以进行全面的特征提取.
- 在瓶层中集成了一个CBAM_ASPP模块,用于多规模的环境.
- 利用深度可分离的卷积来实现轻量级的网络架构.
主要成果:
- 在Synapse数据集上达到78.85%,在ACDC数据集上达到90.46%.
- 在Synapse数据集上,Hausdorff距离减少了2.92%.
- 在ACDC数据集上改善了左心室,心肌和右心室的细分精度.
结论:
- 拟议的IAP-TransUNet在医疗图像细分方面表现出更高的有效性和强的性能.
- 该网络显示了在CT和MRI等不同医学成像模式中普遍化的潜力.
