相关实验视频
Updated: Sep 16, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
528
SPP-SegNet和SE-DenseNet201:用于宫细胞细分和分类的双模型方法
Betelhem Zewdu Wubineh1, Andrzej Rusiecki1, Krzysztof Halawa1
1Faculty of Information and Communication Technology, Wroclaw University of Science and Technology, 50-370 Wroclaw, Poland.
Cancers
|July 12, 2025
概括
这项研究引入了先进的深度学习模型SPP-SegNet和SE-DenseNet201,用于从巴氏涂片图像中自动检测宫癌. 这些模型显著提高了细分和分类准确性,有助于早期诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 子宫癌是全球主要的健康问题,手动巴氏涂片检查分析耗时且容易出现错误.
- 自动化对宫细胞图像的分析可以提高诊断效率和准确性.
研究的目的:
- 开发和评估新的深度学习模型,用于宫癌细胞的自动细分和分类.
- 使用人工智能提高宫癌检测的准确性和效率.
主要方法:
- 一个基于SegNet的新型空间金字塔聚合 (SPP-SegNet) 模型被开发用于图像细分,结合SPP瓶和atrous卷积来进行多尺度特征提取.
- 基于Squeeze-and-Excitation (SE-DenseNet201) 的模型被用于分类,利用细分输出或界限框输入.
- 这些模型在波美兰犬和SIPaKMeD数据集上进行了评估.
主要成果:
- SPP-SegNet实现了高细分精度:98.53%的Pomeranian和94.15%的SIPaKMeD数据集,超过了标准的SegNet.
- SE-DenseNet201表现出强大的分类性能,在Pomeranian上达到93%的准确性,在SIPaKMeD数据集上达到99%的准确性.
结论:
- 拟议的SPP-SegNet和SE-DenseNet201模型显示出自动化宫细胞细分和分类的巨大潜力.
- 这些由人工智能驱动的工具可以促进更早,更准确地检测和诊断宫癌.
