相关实验视频
Updated: May 20, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
335
使用边界感知细分网络进行皮肤损伤细分,并根据卷积和变压器神经网络的混合进行分类
Javaria Amin1, Marium Azhar2, Habiba Arshad2
1Rawalpindi Woman University, Rawalpindi, Pakistan.
Frontiers in medicine
|March 25, 2025
概括
本研究引入了边界感知细分网络 (BASNet) 和紧卷积变压器模型 (CCTM) 以改进皮肤病变的检测和分类. 这些模型达到98%以上的准确性,有助于早期皮肤癌诊断.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 皮肤癌,包括黑色素瘤,由于图像质量问题和病变相似性,存在诊断挑战.
- 深度学习和机器学习为早期,准确和高效的皮肤病变检测提供了解决方案.
- 现有的方法在阻塞,对比度差,以及低于最佳的成像条件下扎.
研究的目的:
- 开发和评估一个新的边界感知细分网络 (BASNet),以进行强大的皮肤病变细分.
- 引入一个紧的卷积变压器模型 (CCTM) 来准确地分类皮肤病变.
- 改善早期诊断和皮肤癌检测的临床工作流程.
主要方法:
- 巴斯网使用类似于U-Net的预测模块,具有密集的监督和混合损失功能.
- 一个紧的卷积变压器模型 (CCTM) 被设计使用特定的超参数进行分类.
- CCTM集成了卷积层和变压器层,以增强特征提取.
主要成果:
- 在六个不同的皮肤病变数据集 (MED-NODE,PH2,ISIC-2019,ISIC-2020,HAM10000,DermNet) 中,CCTM模型实现了超过98%的准确性.
- 即使在低于最佳的成像环境中,BASNet也表现出强大的性能.
- 拟议的模型解决了诸如遮和图像质量差等挑战.
结论:
- 开发的模型显示出在医学图像分析和疾病诊断中临床应用的巨大潜力.
- 当地特征提取和全球上下文理解的结合是模型有效性的关键.
- 准确的早期诊断和高效的临床工作流程可以通过这些人工智能驱动的工具来促进.
