相关实验视频
Updated: Jul 16, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
440
协议网:用于医疗图像细分的并行CNN和变压器.
Weilin Chen1, Rui Zhang1, Yunfeng Zhang1
1School of Computer Science and Technology, Shandong University of Finance and Economics, Jinan, Shandong, 250014, China.
Computer methods and programs in biomedicine
|September 10, 2023
概括
这项研究介绍了Pact-Net,这是一种新的深度学习模型,将CNN和变压器结合起来,以改善皮肤损伤细分. Pact-Net有效地捕捉了当地和全球的特征,优于现有的用于增强临床诊断的方法.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 皮肤病变细分对于临床诊断至关重要,但由于对比度低和病变特征可变,具有挑战性.
- 传统的深度学习方法难以提取全球特征,导致细分不准确,如过度和不足细分.
研究的目的:
- 开发一个优化的皮肤图像细分模型,有效地整合本地和全球特征.
- 解决传统卷积神经网络 (CNN) 在捕捉医疗图像细分的全球背景方面的局限性.
主要方法:
- 为医疗图像分割 (Pact-Net) 设计并行CNN和变压器,这是一个双分支网络,可以捕捉本地和全球特征.
- 引入了一种新的融合模块 (CSMF),利用通道,空间注意力和多尺度机制,将变压器提取的全球信息与CNN提取的本地特征集成.
主要成果:
- 在ISIC 2016,ISIC 2017和ISIC 2018数据集上,Pact-Net实现了卓越的性能,准确率分别为86.95%,79.31%和84.14%.
- 对细胞和息肉数据集的实验证明了Pact-Net的稳定性,学习和概括能力.
- 废弃性研究证实了 Pact-Net.net 中各个组件的有效性.
结论:
- 契约网有效地利用CNN和变形金刚的优势,提高皮肤病变的细分.
- 拟议的模型展示了最先进的细分能力,为帮助临床医生诊断和治疗疾病提供了巨大的潜力.
