CSWin-MDKDNet:具有多维融合和知识蒸的十字形窗口网络,用于医疗图像细分
Guanqing Cui1, Hongbin Lin2, Lijun Sun2
1School of Informatics, Xiamen University, Xiamen, 361005, China.
Scientific reports
|March 2, 2026
概括
本研究介绍了CSWin-MDKDNet,这是一种用于医学图像细分的深度学习模型. 它通过平衡本地细节和全球背景来提高准确性,在多个数据集上获得最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 医学成像分析 医学成像分析
- 人工智能的人工智能
背景情况:
- 深度学习显著推进了医疗图像细分,这对于计算机辅助诊断至关重要.
- 目前的方法在平衡局部细节保护和全球上下文建模方面扎.
研究的目的:
- 提出CSWin-MDKDNet,一种基于变压器的新型架构,用于增强医疗图像细分.
- 解决现有模型在功能融合和冗余性方面的局限性.
主要方法:
- 开发了CSWin-MDKDNet,结合了多维选择性融合 (MDSF) 和知识蒸损失 (KD-loss).
- MDSF利用道空间注意力进行精细的多尺度特征融合.
- 使用KD-loss来减少深度网络层中的功能冗余.
主要成果:
- CSWin-MDKDNet在Synapse (多器官CT),ACDC (心脏MRI) 和ISIC2018数据集上实现了最先进的性能.
- 在Synapse上获得了81.82%的子相似系数 (DSC),在ACDC上达到91.76%,在ISIC2018.上达到91.64%.
- 与现有的医疗图像细分方法相比,证明了更高的准确性.
结论:
- 在医疗图像细分中,CSWin-MDKDNet有效地平衡了当地细节和全球背景.
- 拟议的架构和技术为计算机辅助诊断提供了显著的改进.
- 该模型显示了各种医学成像应用的巨大潜力.
