相关实验视频
Updated: Jan 17, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
735
TCF-Net:在跨直肠超声波图像中进行前列腺癌细分的层次变压器卷积融合网络
Xu Lu1,2,3, Qihao Zhou1, Zhiwei Xiao1
1School of Computer Science, Guangdong Polytechnic Normal University, 510665, Guangzhou, China.
Journal of imaging informatics in medicine
|September 24, 2025
概括
一个新的TCF-Net模型在跨直肠超声波 (TRUS) 图像中准确地对前列腺区域进行细分,改善了前列腺癌的计算机辅助诊断. 这种方法克服了图像干扰和形状变化,即使数据有限.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 通过直肠超声波 (TRUS) 精确的前列腺细分对于计算机辅助的前列腺癌诊断至关重要.
- 挑战包括图像干扰,前列腺形状变化和有限的数据集.
研究的目的:
- 提出一个新的区域适应变压器卷积融合网 (TCF-Net),用于TRUS图像中准确和强大的前列腺细分.
- 解决现有方法在处理干扰,形状变化和小数据集方面的局限性.
主要方法:
- 开发了一个分层编码器-解码器网络 (TCF-Net),包括一个区域适应的变压器编码器和一个基于卷积的解码器.
- 实施了基于补丁的融合模块,以增强精细前列腺细分.
- 在一个由135名患者的1000张TRUS图像组成的临床数据集上训练和评估模型.
主要成果:
- 在具有挑战性的TRUS数据集上,TCF-Net实现了94.4%的欧盟平均交叉点 (mIoU).
- 拟议的模型在细分准确度方面比其他最先进的方法高出1%以上.
- 适应区域的变压器编码器有效处理干扰和形状变化.
结论:
- 从TRUS图像中,TCF-Net在精确和强大的前列腺细分方面表现出卓越的性能.
- 该模型的设计有效地克服了医疗图像细分的常见挑战,特别是在有限的数据的情况下.
- TCF-Net显示了促进前列腺癌计算机辅助诊断的巨大潜力.
