相关实验视频
Updated: Jul 21, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
442
ECTransNet:一个基于多尺度边缘互补的自动多片细分网络
Weikang Liu1, Zhigang Li2, Chunyang Li1
1School of Electronic and Information Engineering, University of Science and Technology Liaoning, Anshan, 114051, China.
Journal of digital imaging
|July 25, 2023
概括
一个新的AI模型,ECTransNet,显著改善了结肠镜图像中的结肠多片细分. 这一进步有助于通过提高诊断准确度来早期检测和预防结直肠癌.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 结肠镜检查对于结肠直肠癌查和多体检测至关重要.
- 在结肠镜图像中精确的息肉细分对于诊断和手术至关重要.
- 挑战包括多种多胞体大小,形状和与粘膜的模糊边界.
研究的目的:
- 引入ECTransNet,这是一个用于改善结肠多片细分的新型网络.
- 为了解决细分多的局限性,具有多样化的形态和不清晰的边缘.
主要方法:
- 开发了ECTransNet,其中有一个边缘补充模块,用于多分辨率的功能融合.
- 实现了一个功能聚合解码器,使用剩余块以适应性地融合功能.
- 增强边缘精度和保存空间信息,以提高细分精度.
主要成果:
- 在五个公共数据集上,ECTransNet的性能超过了最先进的方法.
- 获得了高的mDice分数:0.901 (Kvasir-SEG),0.923 (CVC-ClinicDB),0.907 (Endoscene),0.766 (CVC-ColonDB) 和0.728 (ETIS). 获得了高的mDice分数:0.901 (Kvasir-SEG),0.923 (CVC-ClinicDB),0.907 (Endoscene),0.766 (CVC-ColonDB),以及0.728 (ETIS). 获得了高的mDice分数:0.901 (Kvasir-SEG),0.923 (CVC-ClinicDB),0.907 (Endoscene),0.766 (CVC-ColonDB),以及0.728 (ETIS). 获得了高的mDice分数:0.901 (Kvasir-SEG),0.923 (CVC-ClinicDB),0.907 (Endoscene),0.766 (CVC-ColonDB),以及0.728 (ETIS) 获得了高的
结论:
- 在结肠多片细分方面,ECTransNet表现出卓越的性能.
- 拟议的模块有效地提高了细分精度和边缘定义.
- 这种方法具有显著的潜力,可以提高结直肠癌查和诊断.
