FreqSNet: a multiaxial integration of frequency and spatial domains for medical image segmentation

计算机科学 分割 人工智能 模式识别(心理学) 特征(语言学) 块(置换群论) 卷积神经网络 空间分析 频域 特征向量 领域(数学分析) 计算机视觉 数学 数学分析 哲学 语言学 统计 几何学
作者
Yinghai Lin,Yinghai Lin,Yinghai Lin
出处
期刊:Physics in Medicine and Biology [IOP Publishing]
卷期号:69 (14): 145011-145011
标识
DOI:10.1088/1361-6560/ad5ef3
摘要

Abstract Objective. In recent years, convolutional neural networks, which typically focus on extracting spatial domain features, have shown limitations in learning global contextual information. However, frequency domain can offer a global perspective that spatial domain methods often struggle to capture. To address this limitation, we propose FreqSNet, which leverages both frequency and spatial features for medical image segmentation. Approach. To begin, we propose a frequency-space representation aggregation block (FSRAB) to replace conventional convolutions. FSRAB contains three frequency domain branches to capture global frequency information along different axial combinations, while a convolutional branch is designed to interact information across channels in local spatial features. Secondly, the multiplex expansion attention block extracts long-range dependency information using dilated convolutional blocks, while suppressing irrelevant information via attention mechanisms. Finally, the introduced Feature Integration Block enhances feature representation by integrating semantic features that fuse spatial and channel positional information. Main results. We validated our method on 5 public datasets, including BUSI, CVC-ClinicDB, CVC-ColonDB, ISIC-2018, and Luna16. On these datasets, our method achieved Intersection over Union (IoU) scores of 75.46%, 87.81%, 79.08%, 84.04%, and 96.99%, and Hausdorff distance values of 22.22 mm, 13.20 mm, 13.08 mm, 13.51 mm, and 5.22 mm, respectively. Compared to other state-of-the-art methods, our FreqSNet achieves better segmentation results. Significance. Our method can effectively combine frequency domain information with spatial domain features, enhancing the segmentation performance and generalization capability in medical image segmentation tasks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
行走完成签到,获得积分10
1秒前
小秦同学发布了新的文献求助10
2秒前
Michelle发布了新的文献求助10
3秒前
科研通AI2S应助完美的海秋采纳,获得10
4秒前
wyy应助MingqingFang采纳,获得20
6秒前
7秒前
魔幻冷风完成签到,获得积分10
7秒前
BAi完成签到,获得积分10
8秒前
9秒前
orixero应助Danboard采纳,获得10
12秒前
JH_Dior关注了科研通微信公众号
12秒前
领导范儿应助dddd采纳,获得10
12秒前
春暖花开发布了新的文献求助10
15秒前
17秒前
炙热的河马应助北辰以德采纳,获得10
20秒前
大模型应助TJC采纳,获得10
23秒前
ym完成签到,获得积分10
24秒前
Michelle完成签到,获得积分20
25秒前
JH_Dior发布了新的文献求助10
26秒前
26秒前
橙c美式发布了新的文献求助10
29秒前
自然的听寒完成签到 ,获得积分10
29秒前
科研通AI2S应助完美的海秋采纳,获得10
30秒前
于芋菊发布了新的文献求助10
30秒前
32秒前
33秒前
33秒前
34秒前
zzzzz完成签到,获得积分10
34秒前
单纯访枫完成签到 ,获得积分10
35秒前
阳光曼冬完成签到,获得积分10
36秒前
37秒前
科研通AI2S应助shizi采纳,获得10
37秒前
afterall完成签到 ,获得积分10
38秒前
哦 我的天发布了新的文献求助10
38秒前
39秒前
时光路人完成签到,获得积分10
40秒前
情怀应助清新的静枫采纳,获得10
45秒前
橙c美式完成签到,获得积分10
45秒前
鱼虾一整碗完成签到,获得积分10
46秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Semiconductor Process Reliability in Practice 1500
Handbook of Prejudice, Stereotyping, and Discrimination (3rd Ed. 2024) 1200
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3243751
求助须知:如何正确求助?哪些是违规求助? 2887588
关于积分的说明 8249165
捐赠科研通 2556263
什么是DOI,文献DOI怎么找? 1384394
科研通“疑难数据库(出版商)”最低求助积分说明 649847
邀请新用户注册赠送积分活动 625794