相关实验视频
Updated: Jul 26, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
446
视觉变压器与卷积神经网络的合并,用于自动肺瘤细分
Shweta Tyagi1, Devidas T Kushnure1, Sanjay N Talbar1
1Centre of Excellence in Signal and Image Processing, Department of Electronics and Telecommunication Engineering, Shri Guru Gobind Singhji Institute of Engineering and Technology, Nanded, India.
概括
这项研究引入了一种新的深度学习模型,将视觉转换器和卷积神经网络结合起来,用于准确的肺瘤细分. 该方法通过改善医学成像分析中的细分性能来增强诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确的肺瘤细分对于诊断和治疗至关重要,但手动方法耗时.
- 现有的卷积神经网络 (CNN) 模型在医疗图像中与远程依赖性作斗争.
- 视觉转换器 (ViTs) 提供了捕捉全球上下文特征的潜力,解决了CNN的局限性.
研究的目的:
- 开发和评估一个自动化的肺瘤细分方法.
- 为了利用CNN和ViT的优势,提高细分精度.
- 解决手动细分所带来的挑战,改善诊断工作流程.
主要方法:
- 设计了一个混合深度学习架构,将CNN和ViT结合起来.
- 该网络具有编码器-解码器结构,初始/最终层的CNN和更深层的ViT.
- 为了优化,使用了结合交叉和子损失的统一损失函数.
主要成果:
- 拟议的模型在公共数据上实现了0.7468的平均Dice系数,在当地医院数据上达到0.6847.
- 公共和地方测试数据的豪斯多夫距离分别为15.336和17.435.
- 该模型在各种数据集上展示了有效的肺瘤细分能力.
结论:
- 混合CNN-ViT模型显示了自动肺瘤细分的显著前景.
- 这种方法可以通过提供准确和高效的瘤细分来帮助放射科医生.
- 该方法有可能改善肺癌诊断和治疗计划.
