相关实验视频
Updated: Sep 12, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
501
在腹部超声波图像中,通过mamba-transformer架构进行AI辅助的解剖结构识别和细分
Shih-Fang Chang1,2, Po-Yi Wu1, Ming-Chang Tsai3,4
1Information and Communications Research Laboratories, Industrial Technology Research Institute, Hsinchu, Taiwan.
Frontiers in artificial intelligence
|August 7, 2025
概括
一个新的AI框架,MaskHybrid,在超声波图像中准确地细分腹部器官和病变. 这种混合的mamba-变压器模型提高了诊断超声波效率和临床应用的准确性.
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:
- 腹部超声波对于诊断腹内疾病至关重要.
- 在超声波图像中准确识别解剖学标志对于损伤评估至关重要.
- 目前的AI细分方法面临着计算挑战,限制了临床使用.
研究的目的:
- 开发一种高效准确的AI框架,用于在腹部超声波图像中进行解剖结构识别.
- 解决现有的深度学习模型的计算效率限制.
主要方法:
- 开发了MaskHybrid,这是一个mamba-transformer混合架构,在34711张腹部超声波图像的私人数据集上进行训练.
- 该框架利用一个进化的骨干,编码器和解码器来捕获空间依赖和上下文信息.
- 集成的Mamba和变压器组件,以平衡功能保护与计算效率.
主要成果:
- 在解剖学地标细分方面获得了74.13%的平均平均精度 (mAP).
- 在细分各种器官和病变方面表现优于基线方法.
- 演示了显著更短的推断时间 (0.120 ± 0.013秒),比可比的大型AI模型快2.5倍.
结论:
- 在超声波图像中,MaskHybrid框架有效地检测和细分多个腹部器官和病变.
- 为医学图像解释实现了卓越的准确性,可视化和推断效率.
- 方便近乎实时的诊断超声波,满足临床的关键需求及时分析.
