边界增强的稀疏变压器用于可泛化和准确的医疗图像分割

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:

• 医学图像细分对于计算机辅助诊断至关重要,有助于器官分析,病变检测和治疗计划.
• 现有的基于变压器的细分模型因冗余的全球关注和细粒度边界细节的糟糕重建而面临高的计算成本.

研究的目的:

• 为一般医学图像细分开发一个高效和准确的框架.
• 解决基于变压器的模型在处理冗余连接和重建精确的细分边界方面的局限性.

主要方法:

• 一个包含频域相似度测量和关键语义词典 (KSD) 的编码器,以创建稀疏注意力矩阵,减少冗余并增强语义相关性.
• 一个解码器具有可学习的梯度基于操作员注入边界意识偏差,改善沿着对象轮恢复结构细节.

主要成果:

• 与最先进的基线相比,在多个数据集 (ACDC,ISIC 2018,Synapse) 中实现了子得分和豪斯多夫距离 (HD) 的显著改善.
• 与典型的变压器模型相比,证明了显著的参数减少 (比典型的变压器模型减少了高达88.8%的参数),表明效率提高.
• 在不同的医学成像模式中展示了强度,突出了临床适用性.

结论:

• 拟议的框架有效平衡了细分精度,边界忠实性和计算效率.
• 频域稀疏注意力和可学习的边缘引导解码是抑制冗余相关性和增强结构细节重建的关键创新.
• 该框架为高精度医疗图像细分提供了一种轻量级,临床适用的解决方案.