相关实验视频
Updated: Jul 1, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
399
通过多变压器U-Net增强医疗图像细分
Yongping Dan1, Weishou Jin1, Xuebin Yue2
1School of Electronic and Information, Zhongyuan University Of Technology, Zhengzhou, Henan, China.
PeerJ
|March 4, 2024
概括
本研究介绍了一种混合Swin和可变形变压器模型,用于增强医疗图像细分. 这种新的方法提高了精度,并加快了CT和X射线肺部图像的训练.
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:
- 斯温变压器网络在医疗图像细分方面显示出潜力.
- 现有的模型在准确性和培训趋同方面面临挑战.
研究的目的:
- 开发一种新的混合变压器模型,以改善医疗图像细分.
- 为了提高精度和加快肺图像细分的训练趋同.
主要方法:
- 组合旋转变压器用于局部特征和可变形变压器用于动态采样.
- 整合了额外的跳过连接,以尽量减少信息丢失.
- 将模型应用于CT和X射线肺部图像细分任务.
主要成果:
- 混合动力模型超过了独立的Swin变压器 (Swin Unet) 的性能.
- 在COVID-19 CT数据集上实现了0.7% (88.18%) 的精度改进.
- 在胸部X射线数据集上获得2.7% (98.01%) 的精度改进.
- 在相同的条件下证明了更快的趋同.
结论:
- 拟议的混合变压器模型提供了肺部图像的快速和准确的细分.
- 这一进步可以支持医疗从业者在早期诊断和治疗规划.
