相关实验视频
Updated: May 10, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
319
医疗图像细分通过结合功能增强Swin变压器和UperNet进行细分
Lin Zhang1, Xiaochun Yin2, Xuqi Liu1
1College of Computer Science, Weifang University of Science and Technology, Weifang, 262700, China.
Scientific reports
|April 25, 2025
概括
这项研究介绍了FE-SwinUper,这是一种新的医疗图像细分模型,可以增强多级特征提取,从而改善临床诊断. 该模型在器官和心脏数据集上表现出卓越的性能,优于现有方法.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医学图像细分对于临床诊断至关重要.
- 现有的模型面临着多样化,复杂的医疗数据和多尺度结构的挑战.
- 需要先进的模型来提高细分精度和效率.
研究的目的:
- 提出FE-SwinUper,一种新的医疗图像细分模型.
- 为了增强多尺度的特征提取和层次的表示融合.
- 改进处理多样化和复杂的医学成像数据.
主要方法:
- 整合Swin变压器和UPerNet架构.
- 开发一个功能增强Swin变压器 (FE-ST) 骨干,用于多级特征提取.
- 实现一个自适应功能融合 (AFF) 模块,以改善信息集成.
主要成果:
- 在Synapse多器官和ACDC心脏细分数据集上,FE-SwinUper实现了高性能.
- 该模型展示了优越的子系数 (91.58%在Synapse上,90.15%在ACDC上),像素精度和豪斯多夫距离与最先进的方法相比.
- FE-ST 骨干和 AFF 模块有效地解决了多级特征提取和融合方面的挑战.
结论:
- FE-SwinUper为医疗图像细分提供了强大而高效的解决方案.
- 该模型显示了在诊断中实际临床应用的巨大潜力.
- 拟议的架构有效地处理医疗图像中的多尺度器官和组织结构.
