相关实验视频
Updated: Jul 15, 2025

04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
439
IRv2-Net:一种深度学习框架,用于增强多片分割性能,集成InceptionResNetV2和UNet架构与测试时间增大技术
Md Faysal Ahamed1, Md Khalid Syfullah2, Ovi Sarkar2
1Department of Computer Science & Engineering, Rajshahi University of Engineering & Technology, Rajshahi 6204, Bangladesh.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
一个AI模型,IRv2-Net,在医学图像中准确检测结直肠多,改善了结直肠癌的早期诊断. 这种自动化系统减少了错过的异常,帮助内镜医生,并提高了患者的护理.
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:
- 结肠直肠多是癌前瘤,可以发展为结肠直肠癌.
- 手动细分的息肉是耗时的,容易出错,并导致错误的诊断.
- 需要自动化多胞体检测系统来提高诊断准确性和效率.
研究的目的:
- 开发和评估一个深度学习模型,用于医疗图像中自动化聚细分.
- 将拟议模型的性能与最新的方法进行比较.
- 创建一个用户友好的界面,实时检测多重体.
主要方法:
- 开发了IRv2-Net模型,使用了带有InceptionResNetV2编码器的UNet架构.
- 测试时间增长 (TTA) 用于增强边界和多尺度特征提取.
- 该模型在Kvasir-SEG和CVC-ClinicDB数据集上使用准确度,DSC,IoU,精度和回忆等指标进行了评估.
主要成果:
- IRv2-Net模型在未见的数据上取得了卓越的性能,超过了SOTA模型.
- 它展示了高精度,子相似系数 (DSC) 和交叉在联盟 (IoU) 上.
- 该模型成功检测了各种多类型,并在数据集中显示出出色的结果,最大限度地减少了错过的检测.
结论:
- 拟议的IRv2-Net模型提供了一种有效的自动化解决方案,用于断片细分,这对于结直肠癌诊断至关重要.
- 该系统的实时能力和准确性对临床结肠镜手术有很大的潜力.
- 进一步的研究可以建立在这个模型上,以提高早期检测和患者的结果.

