Video Experimental Relacionado
Updated: Jun 16, 2026
04:23
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
2.0K
TU-Net: Transformador estructurado de convolución y superpíxel para la segmentación de nódulos pulmonares
Yuke Wu1, Xiang Liu2, Yunyu Shi1
1The College of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai, 201600, China.
Medical & biological engineering & computing
|August 20, 2025
Resumen
Este estudio presenta S3TU-Net, un nuevo modelo de aprendizaje profundo para segmentar nódulos de adenocarcinoma pulmonar en tomografías computarizadas. Mejora la precisión al combinar redes neuronales convolucionales y transformadores, mejorando el diagnóstico clínico.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial
- En el campo de la oncología
Sus antecedentes:
- La segmentación precisa de los nódulos de adenocarcinoma pulmonar en las imágenes de TC es crucial para la estadificación clínica y el diagnóstico.
- Las formas irregulares de los nódulos y los límites ambiguos presentan desafíos para los métodos de segmentación actuales.
Objetivo del estudio:
- Introducir S3TU-Net, una arquitectura híbrida CNN-Transformer para mejorar la segmentación de los nódulos pulmonares.
- Mejorar la extracción de características, la fusión y el modelado de contexto global para una detección de nódulos más precisa.
Principales métodos:
- Desarrollado S3TU-Net, integrando bloques de convolución estructurados (DWF-Conv/D2BR-Conv) para la extracción de características a escala múltiple y la mitigación del exceso de ajuste.
- Enlace S2-MLP incorporado para una fusión de características de varios niveles mejorada a través de conexiones de salto de desplazamiento espacial.
- Utilizó un transformador de visión basado en superpíxeles residuales (RM-SViT) para la captura eficiente de dependencias de largo alcance.
Principales resultados:
- S3TU-Net obtuvo una puntuación de Dice del 89,04%, una precisión del 90,73% y un IoU del 90,70% en el conjunto de datos LIDC-IDRI.
- El modelo superó a los métodos recientes en un 4,52% en la puntuación de dados.
- La validación en el conjunto de datos EPDB demostró generalizabilidad con una puntuación de Dice del 86,40%.
Conclusiones:
- S3TU-Net une efectivamente la sensibilidad a las características locales y la conciencia del contexto global para la segmentación de los nódulos pulmonares.
- La arquitectura híbrida ofrece una herramienta robusta para el apoyo a la decisión clínica en el diagnóstico del cáncer de pulmón.
- Este enfoque avanza en la precisión y confiabilidad de la segmentación automática de nódulos en imágenes de TC.
