在医疗图像分析的多任务学习中多尺度的功能增强
Phuoc-Nguyen Bui1, Duc-Tai Le2, Junghyun Bum3
1Convergence Research Institute, Sungkyunkwan University, Republic of Korea.
Artificial intelligence in medicine
|December 31, 2025
概括
本研究引入了一种用于医学图像分析的新型多任务学习模型,提高了细分和分类准确度. 基于ResFormer的UNet架构有效地捕捉了本地和全球特征,以加强疾病诊断.
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.
- 人工智能的人工智能
背景情况:
- 传统的深度学习模型经常单独处理医疗图像细分或分类,限制信息共享.
- 现有的多任务学习 (MTL) 方法难以平衡对细分的本地背景和对分类的全球背景.
研究的目的:
- 开发一个统一的深度学习模型,用于同时进行医学图像细分和分类.
- 加强捕获本地和全球上下文信息,以提高两项任务的准确性.
主要方法:
- 一个基于UNet的多任务学习模型,将一个新的ResFormer块集成到编码器中,用于融合本地 (卷积) 和远程 (变压器) 功能提取.
- 来自编码器的多尺度特征被组合用于分类,而一个新的扩展特征增强 (DFE) 模块完善了解码器跳过连接以进行细分.
- 编码器预测分类标签,解码器生成细分面具.
主要成果:
- 与最先进的方法相比,拟议的模型在跨多个医疗数据集的细分和分类任务中表现出卓越的性能.
- ResFormer块有效地集成了本地和全球依赖关系,增强了特征表示.
- DFE模块改善了各种大小的病变的检测.
结论:
- 开发的基于UNet的MTL模型与ResFormer和DFE模块在医疗图像分析方面取得了重大进展.
- 这种方法有可能通过更准确的细分和分类来改善疾病诊断和治疗规划.
- 该模型利用共享信息的能力有效地解决了传统和现有的MTL方法的局限性.
