用于医学图像精确边界分割的互包含机制
图像与视频处理
2024-04-15 v1 计算机视觉与模式识别
摘要
在医学成像中，准确的图像分割对于量化疾病、评估预后和评价治疗效果至关重要。然而，现有方法缺乏对全局和局部特征的深度融合，未能对医学图像中的异常区域和边界细节给予特别关注。为此，我们提出了一种新颖的基于深度学习的方法 MIPC-Net，用于医学图像的精确边界分割。我们的方法受放射科医生工作模式的启发，具有两个不同的模块：(i) 位置与通道注意力的互包含 (MIPC) 模块：为了提高医学图像中边界分割的精度，我们引入了 MIPC 模块，该模块在提取位置特征时增强对通道信息的关注，反之亦然；(ii) GL-MIPC-Residue：为了改善医学图像的恢复，我们提出了 GL-MIPC-Residue，这是一种全局残差连接，通过过滤无效信息并恢复特征提取过程中丢失的最有效信息，增强了编码器和解码器的整合。我们在三个公开数据集：Synapse、ISIC2018-Task 和 Segpc 上，使用 Dice 系数 (DSC) 和 Hausdorff 距离 (HD) 等指标评估了所提出模型的性能。我们的消融研究表明，每个模块都有助于提高分割结果的质量。此外，在这两个模块的辅助下，我们的方法在基准数据集上的所有指标中均优于现有方法，特别是在 Synapse 数据集上 HD 降低了 2.23mm，有力地证明了我们模型在精确图像边界分割方面能力的提升。代码将在 https://github.com/SUN-1024/MIPC-Net 公开。
引用
@article{arxiv.2404.08201,
title = {A Mutual Inclusion Mechanism for Precise Boundary Segmentation in Medical Images},
author = {Yizhi Pan and Junyi Xin and Tianhua Yang and Teeradaj Racharak and Le-Minh Nguyen and Guanqun Sun},
journal= {arXiv preprint arXiv:2404.08201},
year = {2024}
}