全球局部指导网络的粘膜损伤细分在胃肠内镜图像图像
Zhiyang Xu1, Yanzi Miao2, Guangxia Chen3
1Engineering Research Center of Intelligent Control for Underground Space, Ministry of Education, School of Information and Control Engineering, Advanced Robotics Research Center, China University of Mining and Technology, Xuzhou, Jiangsu, 221116, P. R. China.
Journal of imaging informatics in medicine
|June 28, 2024
概括
一个新的基于变压器的网络,GLGFormer,通过增强全球和本地特征来改善内镜图像中的粘膜病变细分. 这种方法在识别病变方面达到很高的准确性,优于现有的细分网络.
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:
- 自动粘膜病变细分对于计算机辅助内镜诊断至关重要.
- 当前的细分网络在胃肠道图像中扎着模糊的边界和各种损伤尺度.
研究的目的:
- 介绍GLGFormer,一种基于变压器的新型网络,旨在克服粘膜病变细分的局限性.
- 为了提高内镜图像中病变细分的准确性和稳定性.
主要方法:
- 拟议的GLGFormer网络具有使用全球信息进行补丁智能的功能增强的全球指导模块.
- 包含一个部分解码器,用于单到多尺度的功能融合.
- 引入了局部引导模块,以通过专注于邻近补丁信息来完善损伤边界.
主要成果:
- GLGFormer在私人和公共数据集上展示了卓越的学习和概括能力.
- 在ClinicDB数据集上实现了91.0%mIoU和95.0%mDice.
- 在胃炎-Seg数据集上获得了90.6%的mIoU和94.6%的mDice.
结论:
- GLGFormer有效地解决了粘膜病变细分方面的挑战,包括模糊的边界和尺度变化.
- 拟议的网络显示了改善胃肠内镜中计算机辅助临床支持系统的巨大潜力.
更多相关视频
10:59Reconstruction of 3-Dimensional Histology Volume and its Application to Study Mouse Mammary Glands
Published on: July 26, 2014
14.4K
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.7K
