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
增强注意力的多尺度特征融合网络用于胰腺和瘤细分
Kaiqi Dong1, Peijun Hu1,2, Yan Zhu2
1Engineering Research Center of EMR and Intelligent Expert System, Ministry of Education, College of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou, China.
Medical physics
|September 22, 2024
概括
这项研究引入了注意力增强网络,用于在CT扫描中对胰腺和瘤进行细分,提高精度和解决尺寸变化. 新型模块有效地捕获全球依赖关系和语义信息,以获得更好的诊断见解.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在腹部扫描中精确细分胰腺和胰腺瘤对于疾病诊断和治疗至关重要.
- 自动化细分方法在临床实践和研究中非常受欢迎,以提高效率和可靠性.
研究的目的:
- 开发一个注意力增强的多尺度特征融合网络 (AMFF-Net),以改善胰腺和瘤细分.
- 为了克服低对比度,不规则的形状,可变的位置和胰腺和瘤之间的尺寸差异等挑战.
主要方法:
- 拟议的剩余深度注意模块 (RDAM) 提取全球特征并扩大受体场.
- 引入混合变压器模块 (HTMs) 来建模深层次语义特征并突出解剖特征.
- 实施了多尺度特征融合模块 (MFFM),通过融合不同尺度的特征来解决尺寸不平衡.
主要成果:
- 在MSD数据集上,AMFF-Net实现了胰腺的82.12%的子相似系数 (DSC) 和瘤的57.00%.
- 在MSD,NIH和私人数据集上表现出优于最先进的 (SOTA) 方法的性能.
- 废弃性研究证实了拟议的RDAM,HTM和MFFM组件的有效性.
结论:
- 拟议的深度学习网络有效地从腹部CT扫描中对胰腺和瘤进行细分.
- 新型模块增强了网络利用全球依赖关系和语义信息的能力,从而提高了细分精度.
