Pendanaan: Penelitian ini didukung oleh National Natural Science Foundation of China (62476088, 82170110) dan Shanghai Municipal Science and Technology Major Project (ZD2021CY001) dan Shanghai Municipal Key Clinical Specialty (shslczdzk02201). Science and Technology Commission of Shanghai Municipality (20DZ2254400, 20DZ2261200). Fujian Province Province Department of Science and Technology (2022D014).

ABSTRAK

Segmentasi citra medis yang akurat sangat penting untuk diagnosis klinis dan pengobatan penyakit. Akan tetapi, masih terdapat tantangan besar bagi sebagian besar metode yang ada untuk mengekstraksi fitur akurat dari citra medis karena batas yang kabur dan berbagai tampilan. Untuk mengatasi keterbatasan di atas, kami mengusulkan jaringan segmentasi citra medis baru bernama TS-Net yang secara efektif menggabungkan keunggulan CNN dan Transformer untuk meningkatkan kemampuan ekstraksi fitur. Secara khusus, kami merancang modul Modulasi Konvolusi Multiskala (MCM) untuk menyederhanakan mekanisme self-attention melalui strategi modulasi konvolusi yang menggabungkan konvolusi kernel besar multiskala ke dalam konvolusi yang dapat dipisahkan secara mendalam, yang secara efektif mengekstraksi fitur global multiskala dan fitur lokal. Selain itu, kami mengadopsi konsep komplementaritas fitur untuk memfasilitasi interaksi antara fitur semantik tingkat tinggi dan fitur spasial tingkat rendah melalui modul Perhatian Interaktif Skala (SIA) yang dirancang. Metode yang diusulkan dievaluasi pada empat jenis kumpulan data segmentasi citra medis yang berbeda, dan hasil eksperimen menunjukkan kompetensinya dengan metode canggih lainnya. Metode ini mencapai Koefisien Kesamaan Dice (DSC) rata-rata sebesar 90,79% ± 1,01% pada kumpulan data NIH publik untuk segmentasi pankreas, 76,62% ± 4,34% pada kumpulan data MSD publik untuk segmentasi kanker pankreas, 80,70% ± 6,40% pada kumpulan data PROMM (Prostate Multi-parametric MRI) privat untuk segmentasi kanker prostat, dan 91,42% ± 0,55% pada kumpulan data Kvasir-SEG publik untuk segmentasi polip. Hasil eksperimen di keempat tugas segmentasi berbeda untuk citra medis menunjukkan efektivitas jaringan Trans-Scale.