相关实验视频
Updated: Jul 4, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
基于联合CNN变压器的多任务方法,用于高效地对乳腺瘤进行细分和分类,并在超声波图像中进行分类
Jaouad Tagnamas1, Hiba Ramadan2, Ali Yahyaouy2
1Department of Informatics, Faculty of Sciences Dhar El Mahraz, University of Sidi Mohamed Ben Abdellah, 30000, Fez, Morocco. jaouad.tagnamas@usmba.ac.ma.
Visual computing for industry, biomedicine, and art
|January 25, 2024
概括
这项研究介绍了CS-Net,这是一种用于细分乳房超声波图像的新型深度学习模型. 通过结合ConvNeXt和Swin变压器架构,CS-Net有效地改善了乳腺癌病变细分.
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:
- 精确的乳房超声波 (BUS) 图像细分对于乳腺癌的诊断和治疗至关重要.
- 卷积神经网络 (CNN) 在捕捉长距离依赖关系和BUS损伤细分的全球背景方面面临挑战.
- 像ConvNeXts和变压器这样的新兴架构在计算机视觉和医疗图像分析方面显示出希望.
研究的目的:
- 提出CS-Net,一个用于在BUS图像中增强乳腺病变细分的新型网络.
- 在U-Net架构中利用ConvNeXt和Swin Transformer的优势.
- 通过解决CNN的局限性来提高细分性能.
主要方法:
- 开发了CS-Net,这是一个针对公共汽车图像的端到端细分网络.
- 设计了一个混合编码器,集成修改的ConvNeXt卷积和Swin变压器.
- 集成的坐标注意模块用于增强空间和通道注意力.
- 实现了一个编码器-解码器功能融合模块,以实现有效的功能集成.
主要成果:
- 与现有的最先进的BUS损伤细分方法相比,CS-Net表现出更高的性能.
- 混合方法有效地捕捉了长远的依赖关系和全球背景.
- 整合注意力和特征融合模块提高了细分精度.
结论:
- CS-Net为BUS图像的乳腺损伤细分精度提供了显著的进步.
- 拟议的混合架构有效地克服了传统CNN的局限性.
- 这种方法有可能改善乳腺癌护理的早期诊断和治疗计划.
