相关实验视频
Updated: Sep 19, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
530
三F网络:用于乳房超声波图像细分的细粒度特征融合网络
Xuesheng Bian1, Jia Liu1, Sen Xu1
1School Of Information Engineering, Yancheng Institute Of Technology, Hope Avenue Middle Road, Yancheng, 224051, Jiangsu, China.
Computers in biology and medicine
|June 15, 2025
概括
这项研究介绍了ThreeF-Net,这是一个用于乳房超声波图像细分的新型网络. 它通过结合卷积神经网络 (CNN) 和变压器来提高准确性,以更好地捕捉损伤细节和边界.
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:
- 卷积神经网络 (CNN) 在乳房超声波细分方面表现有前途,但与类似强度,不规则形状和模糊边界等损伤复杂性作斗争,限制了准确性.
- 现有的CNN在建模远程依赖性方面面临局限性,这对于准确细分具有挑战性的乳腺病变至关重要.
研究的目的:
- 开发一个先进的细分网络,ThreeF-Net,可以克服CNN在乳房超声波分析方面的局限性.
- 通过有效整合本地和全球特征学习,提高乳腺病变细分的准确性和稳定性.
主要方法:
- 提出了ThreeF-Net,这是一个精细的功能融合网络,结合了CNN和变形金刚.
- 引入了转换器辅助的双编码器架构 (TDE),用于协作本地和全球功能学习.
- 开发了一个全球集团特征提取 (GGFE) 模块,用于增强特征融合,以及一个动态细粒度卷积 (DFC) 模块,用于改进边界细分.
主要成果:
- 与最先进的方法相比,ThreeF-Net在三个公共乳房超声波数据集上表现出优越的性能.
- 该网络在细分乳腺病变方面取得了更高的准确性和稳定性,特别是解决了形状不规则和边界模糊的问题.
- 对比实验证实了TDE,GGFE和DFC模块在增强细分能力方面的有效性.
结论:
- 通过利用本地和全球特征提取,ThreeF-Net有效地解决了乳房超声波细分中的传统CNN的局限性.
- 拟议的网络为乳腺病变细分提供了更高的准确性和稳定性,为更可靠的诊断工具铺平了道路.
- 整合CNN和变压器,以及专门的模块,代表了医学图像分析用于乳腺癌检测的重大进步.
