复旦大学提出D-Net:Transformer中融合动态大卷积核&动态特征融合模块,让分割效果骤升

AI最新资讯2个月前发布 tree
42 0 0

今日应用


今日话题


复旦大学提出D-Net:Transformer中融合动态大卷积核&动态特征融合模块,让分割效果骤升
复旦大学提出D-Net:Transformer中融合动态大卷积核&动态特征融合模块,让分割效果骤升
 

重点标签 D-Net动态大核动态特征融合医学图像分割分层Transformer

文章摘要


摘要:
本文介绍了一种新的医学图像分割方法D-Net,该方法将动态大核(DLK)模块和动态特征融合(DFF)模块整合到分层Transformer架构中。DLK模块使用多个不同大小的卷积核来捕捉多尺度特征,并通过动态选择机制强调最重要的空间特征。DFF模块则根据全局信息自适应地融合多尺度局部特征图。D-Net能够有效地利用多尺度大接收域并自适应地利用全局上下文信息,在腹部多器官分割和多模态脑肿瘤分割任务中表现优于其他模型。

详细介绍:
1. 动态大核(DLK)模块:DLK模块通过使用多个具有不同核大小和膨胀率的大核来捕捉多尺度特征。这些核使得网络能够处理形状和大小变化较大的器官。DLK模块还包括一个动态选择机制,用于根据全局上下文信息自适应地选择最有信息量的局部特征。

2. 动态特征融合(DFF)模块:DFF模块旨在根据全局信息自适应地融合多尺度局部特征图。它使用通道上的动态选择机制来保留重要的特征图,并使用空间上的动态选择机制来突出重要的空间区域。

3. D-Net架构:D-Net的整体架构包括一个编码器、一个瓶颈层、一个解码器和一个显著性层。显著性层用于提取显著的空间特征,而编码器-解码器架构负责学习层次化的特征表示。D-Net在两个分割任务上进行了评估:腹部多器官分割和脑肿瘤分割。

4. 实验结果:D-Net在AMOS腹部多器官分割任务和MSD脑肿瘤分割任务上均取得了优于其他先进模型的性能。D-Net以较低的计算复杂度实现了卓越的分割精度。

5. 结论:D-Net通过整合DLK和DFF模块到分层Transformer架构中,有效地解决了医学图像分割中的多尺度特征捕捉和全局上下文信息利用问题。D-Net在两个重要的医学图像分割任务上展示了其优越性能,并有望在更多医学图像分割任务中实现令人期待的分割性能。

文章来源


原文地址: 点我阅读全文
原文作者: 极市平台

© 版权声明

相关文章

暂无评论

暂无评论...