相关实验视频
Updated: Jun 26, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
392
基于变压器的框架用于从组织病理学图像对皮肤癌的多类细分
Muhammad Imran1, Mohsin Islam Tiwana1, Mashood Mohammad Mohsan2
1Department of Mechatronics Engineering, National University of Sciences and Technology, Islamabad, Pakistan.
Frontiers in medicine
|May 14, 2024
概括
这项研究引入了一种基于变压器的模型,用于在组织病理学图像中对非黑色素瘤皮肤癌 (基细胞癌,状细胞癌,内皮细胞癌) 进行细分. 人工智能系统实现了高精度,有助于早期检测和支持病理学家.
科学领域:
- 皮肤病学和病理学
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 非黑色素瘤性皮肤癌 (NMSC),包括基底细胞癌 (BCC),状细胞癌 (SCC) 和皮内癌 (IEC),是最常见的皮肤癌形式.
- 专家病理学家的稀缺性和医疗保健服务的不均分布需要先进的决策支持系统来准确的NMSC诊断.
研究的目的:
- 开发和评估基于变压器的深度学习模型,用于对NMSC的基因病理图像进行细分.
- 准确识别和划分癌症组织 (BCC,SCC,IEC),炎症和关键组织边界.
- 通过视觉表示和不确定性映射来增强诊断信任.
主要方法:
- 基于变压器的深度学习模型被用于图像细分.
- 该模型被训练来区分炎症,各种NMSC类型 (BCC,SCC,IEC) 和正常的皮肤组织.
- 产生不确定性地图以可视化模型的预测信心.
主要成果:
- 拟议的细分系统实现了高F1得分0.908.8,达到0.908.
- 平均交叉与结合 (mIoU) 记录在0.653,平均准确率为83.1%.
- 该系统在公开可用的数据集上表现出强的表现.
结论:
- 基于变压器的模型显示出作为NMSC检测和分类的智能决策支持系统的巨大潜力.
- 精确的细分和可视化功能使该系统适用于常规皮肤病理学任务,包括异常检测和边缘评估.
- 该系统可以有助于自动化NMSC细分,改善医疗保健的可访问性和一致性.
