FTUNet: Una Red Mejorada por Características para la Segmentación de Imágenes Médicas Basada en la Combinación de una Red en Forma de U y Transformer de Visión

Resumen La Segmentación Semántica se ha utilizado ampliamente en una variedad de imágenes clínicas, lo que asiste en gran medida al diagnóstico médico y otros trabajos. Para abordar el desafío de la reducción de la precisión de inferencia semántica causada por el debilitamiento de características, se introdujo una red pionera llamada FTUNet (Transformer UNet Mejorado por Características), aprovechando la clásica arquitectura de Codificador-Decodificador. En primer lugar, se propone un Codificador de doble rama basado en la estructura en forma de U. Además de emplear convolución para la extracción de características, se establece una estructura de Transformer de Capa (LTrans) para capturar dependencias a largo alcance y información contextual global. Luego, se propone un módulo estructural de Inception enfocado en características locales en el Cuello de Botella, que adopta la convolución dilatada para amplificar el campo receptivo y lograr una minería semántica más profunda basada en la información integral aportada por el Codificador dual. Finalmente, para amplificar las diferencias entre características, se propone un mecanismo de atención ligero de polarización de características en la Conexión Salto, que puede fortalecer o suprimir los canales de características al redistribuir pesos. El experimento se llevó a cabo en 3 conjuntos de datos médicos diferentes. Se realizó una comparación integral y detallada con 6 modelos no en forma de U, 5 modelos en forma de U y 3 modelos Transformer en 8 categorías de indicadores. Mientras tanto, se implementaron 9 tipos de ablación capa por capa y 4 tipos de otros intentos de incorporación para demostrar la estructura óptima del actual FTUNet.