MS-DCANet：一种用于多模态 COVID-19 医学图像分割的新网络
图像与视频处理
2023-07-21 v4 计算机视觉与模式识别
摘要
2019 冠状病毒病（COVID-19）大流行增加了公共卫生负担并给人类带来深远灾难。针对 COVID-19 医学图像存在边界模糊、对比度低和感染部位多样的特殊性，一些研究者通过增加更多复杂度来提高精度。同时，他们忽视了病灶的复杂性，这阻碍了捕捉分割部位与背景之间关系以及边缘轮廓与全局上下文的能力。然而，增加计算复杂度、参数和推理速度不利于模型从实验室向临床转移。一个完美的分割网络需要完全平衡上述三个因素。为解决上述问题，本文提出一种称为 MS-DCANet 的对称自动分割框架。我们引入 Tokenized MLP 块，一种利用移位窗口机制有条件融合局部与全局特征以获得更连续边界和空间定位能力的新型注意力方案。它对不规则病灶轮廓具有更强的理解力。MS-DCANet 还使用若干双通道块和一个 Res-ASPP 块来提升识别小目标的能力。在多模态 COVID-19 任务上，MS-DCANet 相较于其他基线取得了最先进的性能。它能很好地权衡精度与复杂度。为证明所提模型的强泛化能力，我们将其应用于其他任务（ISIC 2018 和 BAA）并取得了满意结果。
引用
@article{arxiv.2210.12361,
title = {MS-DCANet: A Novel Segmentation Network For Multi-Modality COVID-19 Medical Images},
author = {Xiaoyu Pan and Huazheng Zhu and Jinglong Du and Guangtao Hu and Baoru Han and Yuanyuan Jia},
journal= {arXiv preprint arXiv:2210.12361},
year = {2023}
}
备注
21pages,13 figures,9 tables