Swin-EdgeNet:基于Transformer的多尺度边缘增强医学图像分割模型
刘善洁, 浙江农林大学,浙江省杭州市 310000, 童孟军
阅读操作
确认中在文库中上传 PDF 后可生成中文音频讲解。
摘要与影响
目的传统医学图像分割方法依赖手工特征提取,难以应对复杂多样的医学图像,而现有深度学习方法在边缘细节保留和多尺度特征提取方面仍存在不足。本文旨在提出一种新型深度学习框架,以提升医学图像分割的精度与鲁棒性。方法提出融合Swin Transformer与U-Net的混合架构,其中编码器采用Swin Transformer V2-B以捕获分层特征及长范围依赖关系,解码器引入多尺度边缘密集模块(multi-scale edge dense module,MS-EDM)以增强边缘保留能力,并结合双重注意力机制(包括细节增强双重注意力(detail-enhanced dual attention,DEVA)与双重注意力(dual attention,DA))以动态聚焦关键区域。为进一步优化模型效率,将传统Conv2d层替换为KanConv,在保持性能的同时减少参数数量。结果在ISIC2018皮肤病变、肺部分割、眼底血管分割和息肉分割四个公开数据集上的实验表明,本文方法在多项评价指标上均优于当前主流方法。具体而言,在ISIC2018数据集中,Dice和IoU分别达到89.87%与83.97%;在肺部分割任务中Dice系数达97.62%;在眼底血管分割中灵敏度达80.19%,显著优于对比方法;在息肉分割任务中Dice系数达93.80%,召回率提升6.58%。可视化结果进一步验证了本方法在边缘保留与小目标识别方面的优势。结论本文提出的融合Swin Transformer与多尺度边缘增强机制的分割模型,能够有效综合Transformer的全局建模能力与CNN的局部特征提取优势,在多种医学图像分割任务中均表现出更优的分割精度与泛化能力。
逐年被引趋势
暂无年度引用数据
关键指标
同类平均 = 1
同领域 · 同年份 · 同类型
Google Scholar 与 OpenAlex 的被引统计范围不同,数值存在差异属正常。
AI 辅助阅读
依据:摘要
可就本文提问;依据不足时会说明。
学术脉络
学科主题
计算机 / AIMedical Image Segmentation Techniques
Advanced Neural Network Applications · Domain Adaptation and Few-Shot Learning