MAET-SAM:基于任何细分模型的磁声电磁扫描细分网络
Shuaiyu Bu1,2,3, Yuanyuan Li2,3, Guoqiang Liu2,3
1State Grid Beijing Electric Power Company, Beijing 100031, China.
Mathematical biosciences and engineering : MBE
|March 14, 2025
概括
磁声电磁断层扫描 (MAET) 图像细分通过使用新型网络MAET-SAM进行了改进. 这种方法提高了图像分辨率,并减少了噪音,以更好地进行医学成像分析.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医学图像分析 医学图像分析
- 计算成像技术的成像
背景情况:
- 磁声电磁断层扫描 (MAET) 是一种混合成像技术,将超声波和电阻断层扫描相结合,用于生物组织导电性映射.
- 目前的MAET重建受到噪音的影响,导致边界模糊,对比度低,以及文物,阻碍了准确的诊断.
- 现有的方法在不同的组织和疾病组织中难以应对复杂的导电性变化.
研究的目的:
- 开发MAET图像的先进细分方法,以提高分辨率和减少噪音.
- 引入一种新的深度学习模型,MAET-SAM,用于增强MAET图像分析.
- 建立一个专门的数据集,MAET-IMAGE,用于培训和验证MAET图像细分模型.
主要方法:
- 创建了一个由MAET重建的导电性图的数据集,MAET-IMAGE.
- 一个MAET断层扫描细分网络,MAET-SAM,是基于细分任何模型 (SAM) 设计的.
- SAM编码器重量被结,并开发了一个自适应的,无提示解码器,用于端到端的MAET图像细分.
主要成果:
- 与传统方法相比,MAET-SAM在对MAET图像进行细分方面表现出卓越的性能.
- 拟议的模型显著改善了MAET重建中的图像分辨率和降低噪音.
- 定性和定量实验证实了MAET-SAM对初始权重模型的有效性.
结论:
- 在MAET图像细分方面,MAET-SAM提供了显著的进步,优于现有的技术.
- 开发的模型增强了MAET在医学成像分析中的诊断潜力.
- 这项工作为通过更准确的MAET-based成像改善临床诊断铺平了道路.
