SMoFFI-SegFormer:一种基于改进的SegFormer架构的卵巢瘤细分的新方法
Qiuyin Xie1, Jianuo Huang2, Jingyang Sun2
1Department of Obstetrics and Gynecology, The Third Hospital of Xiamen, Xiamen, Fujian, China.
Frontiers in oncology
|August 5, 2025
概括
一个新的深度学习模型,SMoFFI-SegFormer,在超声波图像中准确地细分卵巢瘤. 这一进步改善了早期的卵巢癌检测和诊断,提供了更可靠的自动化工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 卵巢癌是妇科癌症死亡的主要原因之一.
- 由于无症状的早期阶段,早期检测具有挑战性.
- 在超声波中精确的瘤细分对于诊断至关重要.
研究的目的:
- 介绍SMoFFI-SegFormer,这是一个用于卵巢瘤细分的深度学习模型.
- 增强复杂瘤细分的多尺度特征表示.
- 提高诊断准确度和卵巢癌患者的治疗结果.
主要方法:
- 在SegFormer架构的基础上开发了SMoFFI-SegFormer.
- 整合了一个新的自调节融合与特征抑制 (SMoFFI) 模块.
- 在 OTU_2D 和 OTU_CEUS 公开数据集上验证.
主要成果:
- 在细分精度方面,SMoFFI-SegFormer表现出卓越的性能.
- 实现了高整体准确性,平均交叉点在欧盟 (mIoU) 和类准确性.
- 在细分精度和效率方面表现优于现有模型.
结论:
- SMoFFI-SegFormer为卵巢瘤细分提供了一种可靠和自动化的方法.
- 这种模型可以显著帮助诊断和管理卵巢癌.
- 在妇科瘤学中为先进的人工智能工具铺平了道路.
