PolySegNet:通过swin变压器和视觉变压器融合改进多片细分
P Lijin1, Mohib Ullah2, Anuja Vats2
1Artificial Intelligence and Computer Vision Lab, Department of Computer Science, Cochin University of Science and Technology, Kochi, Kerala 682022 India.
Biomedical engineering letters
|October 28, 2024
概括
这项研究介绍了PolySegNet,这是一个先进的AI模型,用于在结肠镜图像中对多体进行细分. PolySegNet可以准确地识别结直肠多,改善早期癌症检测和患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 结肠直肠癌是全球癌症死亡的主要原因之一.
- 结肠镜是主要的诊断工具,但早期发现多仍然具有挑战性.
- 在结肠镜图像中自动化聚细分提供了一个有前途的解决方案.
研究的目的:
- 开发和评估PolySegNet,这是一个先进的深度学习模型,用于在结肠镜图像中准确地细分聚.
- 为了利用视觉变压器,旋转变压器和CNN的力量来增强多体检测.
- 在医学图像分析中建立基于变压器的细分模型的新基准.
主要方法:
- 拟议的PolySegNet架构集成视觉变压器和Swin变压器与CNN解码器.
- 对三个结肠镜数据集,一个组合数据集及其增强版本的广泛评估.
- 使用标准细分指标的绩效评估,如子得分和交叉点在联盟 (IoU) 上.
主要成果:
- PolySegNet实现了平均子得分为0.92和平均IOU为0.86.
- 与现有方法相比,在准确地划定聚边界方面表现出卓越的性能.
- 在多种数据集的聚细分中表现出竞争性的准确性和有效性.
结论:
- 在医学成像中,PolySegNet显示出对精确和高效的多片细分有显著的前景.
- 拟议的基于变压器的架构代表了未来医疗图像分析工具的潜在基础.
- 这一进展可能有助于更早,更有效地诊断和预防结直肠癌.


