相关实验视频
Updated: Jun 12, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
377
变形金刚会改变胃肠内镜图像分析吗? 在性能,强度和通用性方面,对CNN和变形金刚进行了比较分析
Carolus H J Kusters1, Tim J M Jaspers1, Tim G W Boers1
1Department of Electrical Engineering, Video Coding & Architectures, Eindhoven University of Technology, Eindhoven, The Netherlands.
Medical image analysis
|September 19, 2024
概括
变压器在分析胃肠道内镜图像以检测瘤时,表现与卷积神经网络 (CNN) 相当. 这项研究强调了变形金刚.
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:
- 胃肠道内镜图像分析面临诸多挑战,包括图像质量变化,细微异常以及实时处理的需求.
- 深度学习模型,特别是卷积神经网络 (CNN),对于这些安全关键应用至关重要,但需要高性能,概括性和稳定性.
- 计算机视觉中变压器架构的出现促使对已建立的内镜分析CNN进行评估.
研究的目的:
- 为了比较最先进的CNN和变压器在巴雷特食道中检测瘤的临床性能,概括性和稳定性.
- 将比较扩展到其他内镜任务,包括结肠多片细分和血管扩张检测.
- 评估变压器架构对于动态内镜视频分析的适用性.
主要方法:
- 在2079名患者的10208张胃肠内镜图像上训练并验证了多个CNN和变压器.
- 对来自998名患者的7118张图像进行了模型测试,这些图像来自各种数据集:高质量,内部/外部概括和稳定性测试集.
- 评估了Kvasir-SEG (聚细分) 和Giana (血管扩张检测) 数据集的性能.
主要成果:
- 变压器在各种内镜分析应用中实现了与CNN可比的性能.
- 两种架构都表现出类似的概括能力,而变形金刚则略有改善.
- 变形金刚者表现出强大的抗常见的形象腐败和干扰的弹性,与CNN相提并论.
结论:
- 变压器架构是用于胃肠内镜图像分析的CNN的可行的替代方案.
- 变压器特别适合内镜视频的动态性质,应对图像质量和设备的变化.
- 这些发现支持在安全关键的内镜应用中采用变压器,提供可比或改进的性能和稳定性.
