针对癌症图像细分中的多种病变的高效多阶段反注意力
Dewa Made Sri Arsa1, Talha Ilyas2, Seok-Hwan Park3
1Division of Electronics and Information Engineering, Jeonbuk National University, Republic of Korea; Department of Information Technology, Universitas Udayana, Indonesia; Core Research Institute of Intelligent Robots, Jeonbuk National University, Republic of Korea.
概括
这项研究提出了一种新的代反机制,用于在医学图像中检测癌症病变. 该方法通过直接从神经网络架构中完善细分来提高准确性,优于现有的最先进的方法.
科学领域:
- 医学成像分析 医学成像分析
- 计算机辅助诊断 (CAD) 是一种计算机辅助诊断.
- 医疗保健中的人工智能
背景情况:
- 准确的癌症病变识别对于计算机辅助诊断 (CAD) 系统至关重要.
- 由于模糊的界限,噪音和外观异质性,损伤细分具有挑战性.
- 现有的代细分方法通常需要初始的细分面具,限制了它们的应用.
研究的目的:
- 引入一种创新的代反机制,用于在各种医学成像模式中检测细微的癌症病变.
- 在代细分过程中消除了对初始细分面具的需求.
- 提高CAD系统用于癌症病变识别的准确性和稳定性.
主要方法:
- 开发了一种代反机制,直接从编码器-解码器神经网络架构中获得改进.
- 利用一个多级反注意力机制来指导和完善预测的面具在随后的代.
- 实现了一个加权反损失函数,将全球和代特定考虑因素结合起来,以改进参数估计.
主要成果:
- 与最先进的技术相比,拟议的方法在结肠镜检查,超声波检查和皮肤镜检查中表现出更高的性能.
- 在标准和具有挑战性的域外细分任务中实现高精度.
- 在不同的医学成像环境中验证了该方法的稳定性和多功能性.
结论:
- 新的代反机制在CAD系统中为癌症病变检测提供了显著的进步.
- 该方法在没有初始面具的情况下改进细分的能力提高了其实际适用性.
- 这种方法显示出强大的潜力,可以改善多种医学成像模式的诊断准确性.
