.png){kind=icon}
返回
Cross-coupled parallel transformer encoder for biological image segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2025.109241.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着器官疾病发病率的上升，精确且自动化的医学图像分割变得越来越重要。CNN在医学图像分割中表现出色，但其捕捉全局信息的能力有限。近期研究使用Transformer来编码长距离依赖关系，增强了全局特征提取。然而，在医学图像分割中，需要全局和局部特征来提高分割精度。因此，本研究提出了一种结合Transformer和卷积网络的医学图像分割方法。使用并行的Transformer和CNN编码器来捕捉全局和局部特征，并提出了一种残差空间注意力和通道注意力融合模块，以更好地整合全局和局部信息。在跳过连接过程中，本研究提供了一个交叉特征混合模块，利用卷积和交叉注意力路径有效地融合编码器和解码器的特征。此外，我们还提出了一种并串联交叉的混合空洞卷积。这种交叉连接的空洞卷积融合了不同分支和不同层次的特征，促进特征重用和信息传递，从而实现多尺度信息的有效捕获。我们在Synapse多器官数据集、主动脉血管树数据集和自动心脏诊断挑战赛数据集上进行了测试。在Synapse数据集上的DICE值为82.71。在AVT数据集上的DICE值为87.97。在ACDC数据集上的DICE值为90.83。通过与现有方法的比较，我们验证了所提出方法的有效性。
