相关实验视频
Updated: Jul 8, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
CRPU-NET:基于深度学习模型的语义细分,用于检测下部胃肠道中的结直肠多
Jothiraj Selvaraj1, Snekhalatha Umapathy1
1Department of Biomedical Engineering, College of Engineering and Technology, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu-603203, Tamil Nadu, India.
Biomedical physics & engineering express
|December 15, 2023
概括
一种名为CRPU-Net的新模型显著改善了结肠镜图像中的聚细分,达到96.42%的精度. 这一进步有望提高结直肠癌查的检测能力.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 结肠直肠癌 (CRC) 是一个重要的全球健康问题.
- 通过结肠镜早期检测对于有效治疗至关重要.
- 在结肠镜图像中的自动化聚细分可以帮助诊断.
研究的目的:
- 开发一种轻量级的CRPU-Net,用于在结肠镜图像中准确地细分聚.
- 将CRPU-Net的性能与最先进的细分模型进行比较.
- 评估CRPU-Net在现实世界结肠镜数据中的临床适用性.
主要方法:
- 使用了CVC-ColonDB和CVC-ClinicDB结肠镜图像数据集.
- 介绍了CRPU-Net,这是一个用于聚细分的新型深度学习架构.
- 与VGG16,VGG19,U-Net和ResUnet++模型进行了比较分析.
- 进行了废除研究,概括性测试和5倍交叉验证.
主要成果:
- CRPU-Net实现了96.42%的细分精度,超过了ResUnet++ (90.91%).
- 获得了 93.96% 的 Jaccard 系数和 95.77% 的 Dice 系数与地面真相相比.
- 在结直肠区域内细分多体方面表现出卓越的性能.
结论:
- 在聚细分方面,CRPU-Net表现出卓越的表现.
- 该模型显示了将其集成到结肠镜装置中的潜力,以提高效率.
- CRPU-Net提供了一个有前途的工具,可以提高早期检测结直肠多.
