相关实验视频
Updated: Jun 29, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
395
使用适应性可变形卷积和位置嵌入用于用视觉变压器对结肠多片进行细分
Mohamed Yacin Sikkandar1, Sankar Ganesh Sundaram2, Ahmad Alassaf3
1Department of Medical Equipment Technology, College of Applied Medical Sciences, Majmaah University, Al Majmaah, 11952, Saudi Arabia. m.sikkandar@mu.edu.sa.
Scientific reports
|March 28, 2024
概括
这项研究介绍了Polyp-Vision Transformer (Polyp-ViT),这是一种用于结直肠癌聚细分的先进深度学习模型. Polyp-ViT实现了高精度,改善了早期诊断,减少了医学成像中的错误.
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:
- 结肠直肠癌 (CRC) 诊断在很大程度上依赖于专家的多重体检测,这是一个复杂的任务.
- 自动化系统有助于早期诊断CRC,减少时间和错误.
- 深度学习细分模型对于自动化CRC诊断至关重要,视觉转换器 (ViTs) 显示出希望.
研究的目的:
- 引入聚合物视觉转换器 (Polyp-ViT),这是一种用于增强聚合物细分的新型深度学习模型.
- 通过结合特征提取和位置嵌入的自适应机制来改进现有的视觉变压器架构.
- 评估Polyp-ViT在聚细分的基准数据集上的表现.
主要方法:
- 开发了Polyp视觉变压器 (Polyp-ViT),这是一个新的变压器模型.
- 增强传统的变压器架构,采用适应性机制来提取特征和位置嵌入.
- 在Kvasir-seg和CVC-Clinic DB数据集上测试和验证Polyp-ViT.
主要成果:
- 聚合物-ViT实现了高分段精度:0.9891 ± 0.01 在Kvasir-seg和0.9875 ± 0.71 在CVC-Clinic DB.
- 该模型在聚细分任务中表现优于现有的最先进模型.
- 证明了适应机制的有效性,并在医疗成像视觉转换器中增强了位置嵌入.
结论:
- 在结直肠癌诊断中,Polyp-ViT是一种高度有效的聚细分工具.
- 该模型的性能表明其作为各种医疗图像细分任务的潜在工具的潜力.
- 波利普-维特的通用性表明它能够适应其他医学成像挑战.
