相关实验视频
Updated: Jun 25, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
389
BiU-net:基于生物医学图像细分的两阶段融合策略的双分支结构
Zhiyong Huang1, Yunlan Zhao1, Zhi Yu1
1School of Microelectronics and Communication Engineering, Chongqing University, Chongqing 400044, China.
Computer methods and programs in biomedicine
|May 22, 2024
概括
BiU-Net是一种新的混合CNN转换器模型,通过有效地融合多尺度特征来增强生物医学图像细分. 这种方法超越了现有的方法,为各种医学成像应用提供了多功能框架.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 生物医学图像细分对于诊断和治疗计划至关重要.
- 在细分有变量大小和不规则形状的目标方面存在挑战.
- 现有的混合CNN-变压器模型在功能之间存在语义差距.
研究的目的:
- 提出BiU-Net,一种用于医疗图像细分的新型混合架构.
- 通过解决语义差距,有效地结合本地和全球信息.
- 为了提高生物医学图像细分的准确性和稳定性.
主要方法:
- 推出了BiU-Net,将CNN和变压器集成到一个两阶段的融合战略中.
- 使用单级融合 (SSF) 来重建本地和远程特征.
- 利用多尺度融合 (MSF) 弥合深层和浅层之间的语义差距.
- 在瓶中整合了一个上下文意识区块 (CAB),以增强多层次特征.
主要成果:
- 在BUSI数据集上,BiU-Net实现了85.50%的 Dice,76.73%的 IoU和97.23%的准确性.
- 在BUSI数据集上,Dice系数的性能比最先进的方法高出1.17%.
- 在 Monuseg (80.27% Dice, 67.22% IoU) 获得最高分,在 PH2 和 DRIVE 数据集上获得高分.
结论:
- 在四个公共生物医学数据集上,BiU-Net在现有方法上表现出卓越的性能.
- 该模型的多尺度特征提取能力使其成为一个多功能细分框架.
- 生物联网的源代码是公开可用的,用于进一步的研究和应用.
