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
MAF-net:具有双路径挤压和刺激增强模块的多受体注意力融合网络,用于子宫纤维素细分的子宫纤维素细分
Yun Jiang1, Qiquan Zeng2, Hongmei Zhou3
1Department of Obstetrics and Gynecology, Quzhou Hospital of Traditional Chinese Medicine, Quzhou TCM Hospital at the Junction of Four Provinces Affiliated to Zhejiang Chinese Medical University, Quzhou, China.
Frontiers in physiology
|October 3, 2025
概括
这项研究引入了一种新的深度学习网络,用于在超声波图像中改善子宫纤维瘤细分. 拟议的MAF-Net显著提高了病变检测的准确性,优于现有的方法.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 生物医学工程 生物医学工程
背景情况:
- 子宫纤维瘤是常见的良性瘤,影响女性生殖系统.
- 超声波成像对于纤维瘤检测至关重要,但面临着诸如噪音和文物等挑战.
- 由于图像质量限制,子宫纤维瘤的精确细分很困难.
研究的目的:
- 开发一个先进的深度学习模型,用于准确的子宫纤维瘤细分.
- 为了解决超声波成像在纤维瘤检测的局限性.
- 为了提高子宫纤维瘤病变细分的精度.
主要方法:
- 提出了一个具有双路径SE增强模块的多接收注意力融合网络 (MAF-Net).
- 集成了一个多接收注意力融合模块 (MAFM) 和一个双尺度注意力增强模块 (DAEM).
- 使用了带有增强跳过连接 (DSEEM) 的编码解码器框架.
主要成果:
- 在临床子宫纤维瘤数据集上,MAF-Net实现了卓越的性能.
- 取得的高分数:子0.9126,Mcc0.9089,Jaccard0.8394,准确度0.9924,召回0.9016. 这是一个很好的例子.
- 在ISIC-2018皮肤病变数据集上表现出强大的概括性.
结论:
- 拟议的MAF-Net有效地从超声波图像中对子宫纤维瘤进行细分.
- 多接收注意力融合模块,DSEEM和DAEM显著促进了表现.
- 该网络显示出在纤维瘤诊断和监测中临床应用的潜力.
