相关实验视频
Updated: Sep 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
493
量子卷积神经网络与优化的Swin-UNet集成,用于在边缘设备上高效的肝脏瘤细分和分类
Wail M Idress1,2, Yuqian Zhao3, Khalid A Abouda4,5
1School of Automation, Central South University, Changsha, 410083, China. wailatra2015@gmail.com.
Journal of imaging informatics in medicine
|August 12, 2025
概括
本研究介绍了一种用于肝癌分析的新AI框架,它结合了优化的Swin-UNet进行细分和量子卷积神经网络 (QCNN)进行分类,实现了高准确性,并减少了临床使用的模型大小.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 量子计算是一种量子计算.
背景情况:
- 准确的肝脏瘤细分和分类对于患者的治疗结果至关重要.
- 传统的深度学习模型与瘤异质性,类不平衡和计算需求作斗争,阻碍了临床应用.
研究的目的:
- 开发一种轻量级的混合人工智能框架,用于高效准确的肝脏瘤细分和分类.
- 解决临床环境中现有的深度学习模型的局限性.
主要方法:
- 一个混合框架整合了优化的Swin-UNet (使用搜索和救援算法和二次惩罚) 进行细分和量子卷积神经网络 (QCNN) 进行分类.
- 利用焦点AUC损失来处理类不平衡和QCNN利用量子原理以更少的参数提高性能.
- 在3D-IRCADb,LiTS17和MSD Task03数据集上进行评估.
主要成果:
- 实现了高细分性能,Dice的得分为85.8% (3D-IRCADb),88.7% (LiTS17) 和88.4% (MSD Task03). 实现了高细分性能.
- 达到了96.7%的分类准确度,超过了传统的卷积神经网络 (CNN).
- 将模型大小缩小到64.16 MB,使得像Jetson Nano这样的边缘设备可以实时推断.
结论:
- 拟议的混合框架为肝脏瘤分析提供了计算效率高,准确的解决方案.
- 与传统的CNN相比,QCNN在医学数据分析方面表现优越.
- 这种人工智能方法弥合了诊断精度和计算效率之间的差距,为临床可行性铺平了道路.
