.png){kind=icon}
返回
Adaptive Dual-path Spatial-Frequency Network for medical microstructure segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微结构精确分割在医学领域至关重要，它直接影响下游任务的准确性。然而，该任务面临局部形态模糊、不规则全局结构以及数据集资源有限等挑战。为解决这些问题，我们提出了一种自适应双路径空间-频率网络（ADF_UNet）。该网络整合了频域增强模块，结合双路径空间特征编码，从前景和边缘中提取互补特征。随后，自适应融合模块整合双路径特征，实现局部形态细节的全面捕捉。为进一步处理不规则全局结构，模型在跳跃连接中引入了多尺度对角注意力（MDA）模块，有效捕捉各尺度特征。此外，由于编码器中设计了方向互补卷积核，ADF_UNet在少样本数据集上表现优异，降低了大型样本数据集的依赖性，并在数据有限的情况下保持高精度分割性能。实验结果表明，ADF_UNet在多种密集微结构数据集（包括Polyetherimide（PEI）、MoNuSeg、CPM17和DSB18）上表现优异，即使在资源受限的CPM15数据集上也能保持出色的分割精度。不同数据量（100%、75%、50%和25%）的缩减实验显示，随着数据减少，该模型优于其他方法，验证了其在医学图像分割任务中的有效性和鲁棒性。
Keyword:
Microstructure medical segmentation
Local morphological blurring
Irregular global structures
Few-shot datasets
Dual-path encoding
Multi-scale diagonal attention
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Detection of Lung Tumor Using ASPP-Unet with Whale Optimization Algorithm基于鲸鱼优化算法的ASPP-Unet肺部肿瘤检测
OAAI
.png){kind=icon}
OAAI分享收藏Class Probability Space Regularization for semi-supervised semantic segmentation基于类概率空间正则化的半监督语义分割
PREAI
分享收藏
分享收藏SFE-Net: Spatial-Frequency Enhancement Network for robust nuclei segmentation in histopathology imagesSFE-Net：用于组织病理学图像中鲁棒细胞核分割的空间-频率增强网络
PREAI
分享收藏
查看更多内容