相关实验视频
Updated: Jul 18, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
441
CoTrFuse:通过合并CNN和变压器来实现医疗图像细分的新框架
Yuanbin Chen1,2, Tao Wang1,2, Hui Tang1,2
1College of Physics and Information Engineering, Fuzhou University, Fuzhou 350116, People's Republic of China.
Physics in medicine and biology
|August 22, 2023
概括
新型CoTrFuse网络通过整合卷积神经网络 (CNN) 和变压器,有效地对医疗图像进行细分,克服了现有的深度学习模型的局限性,以提高准确性.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医疗图像细分至关重要,但对于像U-Net.Net这样的深度学习模型来说具有挑战性.
- 卷积神经网络 (CNN) 与全球背景作斗争,而变形机则缺乏本地细节.
- 现有的方法在捕获全球和远程语义信息方面存在局限性.
研究的目的:
- 提出一个新的网络,CoTrFuse,它结合了CNN和Transformer的优势,用于增强医疗图像细分.
- 为了解决CNN中受限接收场和变压器中局部信息获取有限的局限性.
主要方法:
- 开发了CoTrFuse,一个使用EfficientNet和Swin Transformer作为双编码器的网络.
- 实现了Swin变压器和CNN Fusion模块,以在跳过连接之前集成功能.
- 在ISIC-2017和COVID-QU-Ex数据集上对CoTrFuse进行了评估.
主要成果:
- 与几种最先进的医疗图像细分方法相比,CoTrFuse表现出更高的性能.
- 实验结果验证了该网络在各种医学成像数据集上的有效性.
结论:
- 拟议的CoTrFuse网络有效地结合了CNN和变压器架构,以实现卓越的医疗图像细分.
- 在医疗图像分析方面,CoTrFuse提供了一个有前途的进步,其性能优于现有的技术.
