相关实验视频
Updated: Jun 30, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
396
SwinD-Net:用于腹腔镜肝脏细分的轻量级细分网络
Shuiming Ouyang1,2, Baochun He1,2, Huoling Luo1
1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Computer assisted surgery (Abingdon, England)
|March 20, 2024
概括
我们开发了SwinD-Net,这是一种轻量级的深度学习模型,用于实时手术图像细分. 它实现了高精度,显著降低了计算成本,使其适合缺乏强大资源的医院.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 手术技术 手术技术
背景情况:
- 实时图像细分对于腹腔镜外科辅助系统至关重要.
- 传统的深度学习模型提供了高精度,但计算密集,限制了它们在资源有限的医院环境中的使用.
- 需要有效的细分模型,平衡准确性和计算开销.
研究的目的:
- 提出一种新的,轻量级的深度学习网络SwinD-Net,用于腹腔镜外科手术中的实时图像细分.
- 为了减少计算负担和参数数量,同时保持高细分精度.
- 在CholecSeg8k数据集上验证SwinD-Net的有效性.
主要方法:
- 开发了包含Skip连接,深度可分离卷积和Swin变压器块的SwinD-Net.
- 通过消除第一层跳过连接和减少浅功能地图通道来优化网络.
- 引入了Swin变压器块来捕获全球信息和高级语义特征.
主要成果:
- 在CholecSeg8k数据集上,SwinD-Net实现了高精度,并大大降低了计算开销.
- 该模型只需要98.82M FLOP和0.52M参数,在CPU上推断时间为47.49ms/image.
- 在子度量方面表现优于UNeXt,参数为1/3,FLOP为1/22,推断速度快2.4倍.
结论:
- SwinD-Net有效地减少了参数数量和计算复杂性,提高了推断速度,同时保持了可比的准确性.
- 轻量级的设计使得SwinD-Net适合在医院实时应用,而医院的计算资源有限.
- 拟议的网络为手术图像细分的准确性,速度和效率提供了全面的改进.
