BMA-Net:用于前列腺区域细分的3D双向多尺度特征聚合网络
相关实验视频
Updated: Jun 2, 2025
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
Bangkang Fu1, Feng Liu2, Junjie He3
1Medical College, Guizhou University, Guizhou 550000, China; Guizhou Province International Science and Technology Cooperation Base for Precision Imaging Diagnosis and Treatment, Key Laboratory of Advanced Medical Imaging and Intelligent Computing of Guizhou Province, Department of Radiology, Guizhou Provincial People's Hospital, Guizhou 550002, China.
这项研究介绍了BMA-Net,这是一个新的3D网络,用于准确的前列腺MRI细分. BMA-Net有效地利用来自切片内部和跨切片的多层次信息,优于现有方法.
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:
- 准确的前列腺MRI细分对于诊断至关重要.
- 变压器改进了全局特征表示,但在计算上是密集的,限制它们到单片.
- 现有的方法很难有效地整合切片内和切片间的多层次信息.
研究的目的:
- 开发一个3D网络,有效地利用切片内和切片间的多尺度信息,用于精确的前列腺MRI细分.
- 为了解决基于变压器的细分模型中单片加工的局限性.
主要方法:
- 拟议的BMA-Net是一个3D双向多尺度特征聚合网络.
- 采用基于频率的全局特征过分支用于切片内和切片间的信息.
- 集成了一个空间注意力分支和一个CNN分支用于本地特征,具有多尺度特征融合.
主要成果:
- 在公开数据集上实现了 88.35% (中央腺) 和 76.86% (外围区域) 的子系数.
- 在内部数据集上获得了85.85% (中央腺体) 和74.50% (外围区域) 的子系数.
- 与最先进的方法相比,证明了优越的细分性能.
结论:
- BMA-Net有效地利用多个规模的信息来提高前列腺细分的准确性.
- 拟议的网络在前列腺MRI细分方面的现有最先进方法上取得了卓越的性能.
更多相关视频
08:40Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025