简化和外部注意力的新型混合模型与增强的CNN相结合,用于医疗图像细分

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 在医疗图像细分方面,UNet的成功受限于其有限的受体场.
• 变压器擅长捕捉远程依赖,但与局部特征作斗争,需要广泛的预训练.

研究的目的:

• 提出SimEANet,一种新的CNN-Transformer混合网络,以克服UNet的局限性.
• 加强在医疗图像细分中捕获本地和全球上下文信息.

主要方法:

• 采用编码器-解码器架构,并采用混合CNN-变压器设计.
• 在编码器中使用了增强的ResNet来进行浅层特征提取.
• 引入了SimEA变压器作为编码器骨干,并改进了用于细分的级联上采样处理器.

主要成果:

• 在两个公共数据集上实现了竞争性表现,平均子相似系数 (DSC) 为82.35%和91.85%.
• 在多机关细分任务中显著改进.
• 展示了网络有效平衡本地特征提取和全球上下文建模的能力.

结论:

• SimEANet为医疗图像细分提供了强大的混合架构.
• 拟议的网络有效地解决了传统的UNet和纯变压器模型的局限性.
• SimEANet实现了先进的细分精度,特别有利于复杂的多机关细分场景.