相关实验视频
Updated: Jan 9, 2026

04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
725
斯温-EffuseNet:一个基于注意力的双流模型,将斯温变压器V2和EfficientNet-BO结合起来,用于骨折分类
Vishal Sharma1, Vinay Kukreja1
1Centre for Research Impact & Outcome, Chitkara University Institute of Engineeing and Technology, Chitkara University, Punjab, India.
Journal of orthopaedics
|December 4, 2025
概括
新型深度学习模型Swin-EffuseNet准确地从X射线中分类骨折,在检测即使是微妙的头发线骨折方面也实现了高性能. 这种人工智能工具在临床环境中提高了诊断准确性和效率.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 骨折很常见,但手动的X射线解释可能容易出错,特别是在微妙的情况下,如头发线骨折.
- 准确及时诊断对于有效的骨折治疗和预防长期并发症至关重要.
研究的目的:
- 开发和评估Swin-EffuseNet,这是一个双流深度学习框架,用于对骨折进行可靠的分类.
- 将全球语义特征与细粒度的局部纹理相结合,以提高断裂检测准确度.
主要方法:
- 从公共来源 (FracAtlas,骨折分类数据集) 整理了4370张X射线图像的数据集.
- 斯温变压器V2和EfficientNet-B0使用基于注意力的融合进行了集成,分别提取语义和纹理特征.
- 外部验证是在头发线骨折检测v2和骨折X射线简单与碎裂骨折数据集上进行的.
主要成果:
- 在Swin-EffuseNet中,准确度达到92.8%,精度达到92.4%,回忆率达到91.6%,F1得分达到91.9%.
- 该模型显示了高类精度,包括87.9%的毛线骨折.
- 与单个Swin Transformer V2和EfficientNet-B0模型相比,观察到显著的性能改进,推断速度快 (2.8 ms/image).
结论:
- 斯温-EffuseNet为智能骨折分类提供了一个准确,高效和可解释的解决方案.
- 该框架显示了在诊断工作流程中可扩展部署的潜力,改善骨折诊断.
