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
双边合作流与多模式关注网络,用于准确的多片细分
Rahim Khan1, Nada Alzaben2, Yousef Ibrahim Daradkeh3
1College of Information and Communication Engineering, Harbin Engineering University, Harbin, 150001, China.
Scientific reports
|October 1, 2025
概括
使用新的双边卷积多重注意网络 (BiCoMA) 精确细分结直肠多,可以改善早期癌症检测. 这种深度学习模型有效地整合了全球和本地特征,以便在结肠镜图像中精确识别多重体.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 计算病理学计算病理学
- 胃肠病学 胃肠病学
背景情况:
- 在结肠镜检查中对结肠直肠多的准确细分对于早期癌症检测和预防至关重要.
- 现有的细分方法面临的挑战是聚的多样性 (大小,形态,纹理) 和临床使用的计算效率.
研究的目的:
- 提出一种新的双流深度学习架构,双边卷积多重注意网络 (BiCoMA),用于准确的结直肠多片细分.
- 通过有效地整合全球上下文信息和本地空间细节来提高细分性能.
主要方法:
- 开发了一种双流架构 (BiCoMA),结合了卷积神经网络 (ConvNeXt V2 大) 和视觉变压器 (金字塔视觉变压器).
- 集成空间改进 (SR) 和通道改进 (CR) 模块与非局部注意力 (NLA) 功能增强.
- 采用了带有金字塔注意力区块 (PAB) 和卷积区注意力模块 (CBAM) 的等级解码器,用于特征融合和歧视.
主要成果:
- 在五个基准数据集 (Endoscene,ClinicDB,ColonDB,ETIS,Kvasir-SEG) 上,BiCoMA实现了最先进的性能.
- 该网络在多种多呈现形式中展示了优越的概括能力.
- 拟议的架构保持了实用的计算效率,适合实时临床应用.
结论:
- 双边卷积多重注意网络 (BiCoMA) 在自动化结直肠多片细分方面取得了重大进展.
- 毕科马的混合方法有效地解决了与多变异性和计算需求相关的挑战.
- 这项技术有望提高基于结肠镜的癌症查的准确性和效率.
