相关实验视频
Updated: Jul 14, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
439
一个深度监督的变压器U形全分辨率残余网络用于乳房超声波图像的细分
Jiale Zhou1, Zuoxun Hou2, Hongyan Lu1
1School of Instrumentation and Optoelectronics Engineering, Beihang University, Beijing, China.
Medical physics
|October 10, 2023
概括
一个新的深度监督变压器U形全分辨率残余网络 (DSTransUFRRN) 显著提高了乳房超声波 (BUS) 图像分割的准确性. 这种方法增强了客观的瘤大小测量,并减少了临床医生的乳腺成像分析工作量.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 乳房超声波 (BUS) 是乳房成像的一个关键工具.
- 精确的BUS图像细分对于客观的瘤大小测量和减少医生工作量至关重要.
- 现有的方法在复杂的BUS图像的特征融合和提取方面可能面临挑战.
研究的目的:
- 提出一种新的深度监督变压器U形全分辨率残余网络 (DSTransUFRRN) 用于自动化 BUS 图像分割.
- 使用深度学习技术提高乳腺瘤细分的准确性和效率.
- 根据现有方法评估拟议的DSTransUFRRN的性能.
主要方法:
- DSTransUFRRN将一个全分辨率的剩余流和一个深度监控机制集成到TransU-Net架构中.
- 剩余流保留了不同层次的高分辨率特征,改善了特征融合.
- 变压器模块通过抑制无关信息来增强特征提取,而深度监控可以减轻梯度分散.
主要成果:
- 与所有其他方法 (p < 0.05) 相比,DSTransUFRRN在数据集A上获得了显著更高的Dice系数 (91.04% ± 0.86%).
- 在数据集B上,尽管样本规模较小,但DSTransUFRRN也表现出显著优异的性能,代数系数为88.15% ± 2.11% (p < 0.05).
- 提出的方法在BUS图像分割准确性方面始终优于现有的方法.
结论:
- DSTransUFRRN是一种有效的深度学习模型,用于对乳房超声波图像进行细分.
- 与以前的方法相比,拟议的网络架构显著提高了细分精度.
- 这一进步为更客观的乳腺瘤测量和在临床实践中减少工作量提供了潜力.
