使用混合双编码器-解码器模型在联合学习中的增强脑瘤细分
1Department of Information Science and Technology, Anna University, Chennai, India. narmk27@gmail.com.
Scientific reports
|October 2, 2025
概括
一种新的混合深度学习模型使用联合学习提高了脑瘤细分的准确性和效率. 这种方法增强了边界划分,并保护了多个机构的数据隐私.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 脑瘤细分对于诊断和治疗计划至关重要.
- 传统模型在界限划分和概括方面面临挑战.
- 数据隐私问题阻碍了对多机构数据集的集中培训.
研究的目的:
- 为联合学习提出混合双编码器解码器细分模型.
- 为了提高细分精度,效率和边界划分在脑瘤细分中的边界划分.
- 解决大规模医学成像研究中的数据隐私限制.
主要方法:
- 集成EfficientNet和Swin变压器作为双编码器.
- 使用BASNet (边界识别细分网络) 和MaskFormer作为解码器.
- 在联合学习框架内实施,以实现分散的培训.
主要成果:
- 实现了0.94的子系数和0.87.87的交叉与联盟 (IoU) 的交叉.
- 通过1.61的豪斯多夫距离 (HD95) 和0.91.91的边界F1得分 (BF1) 证明了上层边界划分.
- 通过在较少的联合轮中更快地融合,减少了总训练时间.
结论:
- 混合模型有效地提高了脑瘤细分的准确性和效率.
- 联合学习方法成功地保护了医疗数据的隐私,同时实现了高性能.
- 变压器,CNN和先进解码器的集成显示了未来医疗成像细分任务的前景.