相关实验视频
Updated: Jan 16, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
735
嵌入式文本Swin-UMamba用于DeepLesion细分
Ruida Cheng1, Tejas Sudharshan Mathai2, Pritam Mukherjee2
1Scientific Application Services, Center of Information Technology, NIH.
ArXiv
|October 1, 2025
概括
这项研究将大型语言模型 (LLM) 与用于病变细分的医学成像相结合. 新的Text-Swin-UMamba模型在CT扫描上显示了细分病变的更高准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 放射学报告的解释.
背景情况:
- 在CT扫描上损伤细分对于评估淋巴瘤等慢性疾病至关重要.
- 将大型语言模型 (LLM) 与成像数据集成可以通过结合放射学报告细节来增强细分.
- 目前的细分方法可能无法充分利用图像和文本数据的综合潜力.
研究的目的:
- 调查将文本描述集成到Swin-UMamba架构中的可行性,以改善损伤细分.
- 开发和评估一种新的Text-Swin-UMamba模型,用于结合成像特征和放射学报告信息.
- 评估拟议模型的性能与现有的损伤细分方法相比.
主要方法:
- 使用ULS23 DeepLesion数据集进行培训和测试.
- 将放射学报告中的简短描述集成到Swin-UMamba架构中.
- 开发了Text-Swin-UMamba模型用于病变细分.
- 使用子得分和豪斯多夫距离指标比较模型的性能.
主要成果:
- 实现了82±18%的高子得分和6.58±10.64像素的低豪斯多夫距离,用于损伤细分.
- 文本-Swin-UMamba模型在LLM驱动的LanGuideMedSeg模型上显示了37%的改进 (p < 0.001).
- 仅仅基于图像的模型的性能优于xLSTM-UNet的1.74%和nnUNet的0.22%.
结论:
- 将文本信息集成到Swin-UMamba架构中是可行的,并显著提高了损伤细分的准确性.
- 文本-Swin-UMamba模型代表了病变细分的最先进的方法,有效地结合了图像和文本数据.
- 开发的模型显示了通过更准确的自动化病变测量来提高慢性疾病的临床评估的前景.
