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
C5-net:跨器官交叉模式的cswin转换器合卷积网络,用于双重任务转移学习的淋巴结细分和分类
Meng Wang1, Haobo Chen1, Lijuan Mao2
1The SMART (Smart Medicine and AI-based Radiology Technology) Lab, Shanghai Institute for Advanced Communication and Data Science, Shanghai University, Shanghai, China; Key Laboratory of Specialty Fiber Optics and Optical Access Networks, School of Communication and Information Engineering, Shanghai University, Shanghai, China.
概括
我们开发了C5-Net,这是一种用于增强淋巴结超声诊断的新型深度学习模型. 它提高了细分和分类的准确性,有助于早期检测恶性瘤.
科学领域:
- 医学成像医学成像
- 深度学习是一种深度学习.
- 在瘤学瘤学.
背景情况:
- 淋巴结超声诊断的深度学习面临着有限数据的挑战,学习本地/全球特征,以及协作细分/分类.
- 现有的方法在全面分析和协同学习中扎,以准确诊断.
研究的目的:
- 提出C5-Net,一个新的深度学习网络,用于改进淋巴结超声波图像细分和分类.
- 通过利用跨器官,跨模式转移学习来解决数据稀缺问题并增强特征学习.
主要方法:
- 开发了跨器官跨模式的Cswin变压器合卷积网络 (C5-Net).
- 采用转移学习策略,使用皮肤病变皮肤镜图像用于淋巴结超声图像.
- 合变压器和卷积神经网络用于集成的本地和全球特征学习.
- 使用共享的编码器重量来执行协同的细分和分类任务.
主要成果:
- 对于细分,C5-Net 实现了 0.854 的 Dice 系数,对于分类准确度则为 0.874.
- 该模型在淋巴结细分和分类方面,与先进的方法相比,表现优越.
- 这项研究利用了690个淋巴结超声波图像和1000个皮肤病变皮肤镜像.
结论:
- C5-Net有效地解决了淋巴结超声诊断中的关键挑战.
- 拟议的方法显示高精度和稳定性,促进早期和准确检测淋巴结恶性瘤.
- 这有助于改善临床瘤学的治疗规划.
