Ein Frequenzauswahl-Netzwerk für die medizinische Bildsegmentierung

Bestehende Methoden zur medizinischen Bildsegmentierung berücksichtigen möglicherweise nur die Merkmals extraktion und Informationsverarbeitung im spatialen Bereich oder mangeln an der Gestaltung der Interaktion zwischen Frequenzinformation und spatialer Information oder ignorieren die semantischen Lücken zwischen flachen und tiefen Merkmalen, was zu ungenauen Segmentierungsergebnissen führt. Daher schlagen wir in diesem Papier ein neuartiges Frequenzauswahl-Segmentierungsnetzwerk (FSSN) vor, das eine genauere Läsionssegmentierung durch die Fusion lokaler spatialer Merkmale und globaler Frequenzinformationen, eine bessere Gestaltung der Merkmalsinteraktionen und die Unterdrückung von Frequenzkomponenten mit geringer Korrelation zur Minderung semantischer Lücken erreicht. Zunächst schlagen wir ein global-lokales Merkmalsaggregation-Modul (GLAM) vor, um gleichzeitig multi-skala lokale Merkmale im spatialen Bereich zu erfassen und globale Frequenzinformationen im Frequenzbereich zu nutzen, und erreichen eine komplementäre Fusion lokaler Detailmerkmale und globaler Frequenzinformationen. Zweitens schlagen wir ein Merkmalsfiltermodul (FFM) vor, um semantische Lücken zu mindern, wenn wir Fusion von Merkmalen auf verschiedenen Ebenen durchführen, und lässt das FSSN diskriminierend bestimmen, welche Frequenzinformationen für eine genaue Läsionssegmentierung erhalten bleiben sollten. Schließlich setzen wir deformierbare Faltung (DC) ein, um relevante Merkmale im lokalen Bereich zu extrahieren, damit unser FSSN sich besser auf relevante Bildinhalte konzentrieren kann. Umfangreiche Experimente an zwei öffentlichen Benchmark-Datensätzen zeigen, dass unser FSSN im Vergleich zu repräsentativen Methoden der medizinischen Bildsegmentierung genauere Läsionssegmentierungsergebnisse sowohl in Bezug auf objektive Bewertungsindikatoren als auch subjektive visuelle Effekte bei weniger Parametern und geringerer rechnerischer Komplexität erzielen kann.