相关实验视频
Updated: May 21, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
335
AttmNet:一个混合变压器,集成自我注意力,Mamba和多层卷积,以增强损伤细分
Hancan Zhu1,2, Yibing Huang2, Kelin Yao1
1Interdisciplinary Research Center, Affiliated Hospital of Shaoxing University, Shaoxing, China.
Quantitative imaging in medicine and surgery
|May 19, 2025
概括
一个新的细分网络AttmNet通过整合卷积神经网络 (CNN),变压器和Mamba来增强医疗图像分析. 这种方法可以提高病变细分的准确性,以便更好地诊断癌症和计划治疗.
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:
- 准确的医学图像细分对于癌症诊断和治疗至关重要.
- 卷积神经网络 (CNN) 在与远程依赖性作斗争.
- 变压器捕获远程依赖,但在计算上昂贵;Mamba有效地模拟远程依赖,但缺乏细节精度.
研究的目的:
- 开发一种新的细分方法,结合CNN,变形金刚和Mamba.
- 增强医疗图像细分中的全球上下文理解和本地特征提取.
- 提高医疗成像中病变细分的准确性和效率.
主要方法:
- 提出了AttmNet,一个U形网络用于医疗图像细分.
- 引入了多尺度卷积,自我注意力和Mamba (MAM) 块.
- 对乳腺,皮肤和肺病变细分数据集进行了评估.
主要成果:
- AttmNet在交叉与联盟 (IoU) 和Dice相似系数方面的表现优于最先进的方法.
- 在乳房超声波 (BUS) 和乳房超声波图像 (BUSI) 数据集上取得了显著的改进.
- 在皮肤镜检查和COVID-19肺病变细分数据集上表现出卓越的性能.
结论:
- AttmNet是一个高效准确的医疗图像细分工具.
- 该MAM块增强了细分精度,并保持了计算效率.
- 在临床应用中,AttmNet具有很高的适用性.
