相关实验视频
Updated: May 25, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
348
对于COVID-19感染细分的等级代理变压器网络
Yi Tian1, Qi Mao1, Wenfeng Wang1
1College of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai, 201620, People's Republic of China.
Biomedical physics & engineering express
|February 27, 2025
概括
一个新的等级代理转换器网络 (HATNet) 改善了CT扫描上的COVID-19病变细分. 这种模型平衡了准确性和效率,优于现有方法,用于更好的临床诊断.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 准确的COVID-19感染细分对于患者管理至关重要.
- 卷积神经网络 (CNN) 与不规则的损伤形状作斗争.
- 变压器模型提供全球背景,但计算密集,并具有低于最佳的功能集成.
研究的目的:
- 为COVID-19病变细分开发一种高效准确的深度学习模型.
- 解决医疗图像细分现有的CNN和变压器模型的局限性.
- 为改善COVID-19检测提出分层代理变压器网络 (HATNet).
主要方法:
- 拟议的等级代理变压器网络 (HATNet) 采用编码器-桥梁-解码器架构.
- 使用的代理 变压器块具有线性复杂性和多样性恢复模块 (DRM) 用于微妙的特征检测.
- 集成了一个改进的金字塔聚合模块 (IPPM) 适用于全球环境和一个全面的双向特征金字塔网络 (FsBiFPN) 与边界精炼模块 (BRM) 进行边缘精度.
主要成果:
- 在COVID-19-CT-Seg上,HATNet获得了84.14%的子得分,在CC-CCII数据集上达到81.22%.
- 与最先进的模型相比,展示了优越的细分性能.
- 在模型参数和计算复杂性方面展示了显著的优势.
结论:
- 哈特网有效地平衡了COVID-19病变细分的细分精度和计算效率.
- 拟议的模型显示出在医学成像中临床部署的强大潜力.
- 哈特网为COVID-19CT扫描的自动化分析提供了一个有前途的进步.
