.png){kind=icon}
返回
DyMAS-Net: Dynamic Multi-scale Adaptive Sampling Network for Efficient Medical Image Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05141-7_10.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在保持计算效率的同时实现高精度医学图像分割仍然是临床应用中的关键挑战。现有方法在平衡多尺度特征融合、轻量化设计和上下文建模方面往往存在困难，特别是在复杂医学场景中存在模糊边界的情况下。为解决这些局限性，我们提出DyMAS-Net，一种集成多尺度卷积、自适应动态采样和双注意力机制的轻量化框架。主要创新包括：（i）分层多尺度卷积块（HMCB）结合分组深度可分离卷积与混合注意力以捕获跨尺度依赖关系；（ii）自适应动态采样模块（ADSM）通过可学习的位置偏移和范围预测动态调整感受野，实现具有最小计算开销的上下文感知上采样；（iii）双注意力融合单元（DAFU）整合通道-空间注意力进行全局上下文建模，并采用深度可分离门控进行局部特征细化。在7项医学图像分割任务（乳腺癌、甲状腺结节、皮肤病变）的广泛评估中，DyMAS-Net以87.19%的平均Dice分数达到当前最优性能，分别超越TransUnet和SwinUnet 3.02%和2.77%。值得注意的是，它仅使用6.24M参数和8.87G FLOPs，参数量比TransUnet少93.3%。该框架的效率-精度平衡使其能够实现实际部署。
Keyword:
Medical Image Segmentation
Lightweight Architecture
Multi-Scale Feature Fusion
Adaptive Dynamic Sampling
期刊
机构
引用论文
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏分享收藏分享收藏Rethinking the unpretentious U-net for medical ultrasound image segmentation对医学超声图像分割中朴实无实的u-net的再思考.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image SegmentationCa-net: 用于可解释医学图像分割的综合注意力卷积神经网络
OAAI
OAAI分享收藏
查看更多内容