相关实验视频
Updated: Jan 13, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
731
UDV-Net:一种混合CNN和变压器静脉细分网络,具有血管前置和空间意识
Bowei Shen1, Xiaoquan Huang2, Yuli Li3
1Department of Gastroenterology and Hepatology, Zhongshan Hospital, Fudan University, Shanghai, 200032, China; Shanghai Institute of Infectious Disease and Biosecurity, Fudan University, Shanghai, 200032, China; School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China.
Medical image analysis
|January 10, 2026
概括
这项研究介绍了UDV-Net,这是一种新的深度学习模型,用于对肝硬化门脉高血压患者的上部消化系统静脉进行细分. UDV-Net将CNN和变压器结合起来,以提高准确性并减少血管细分中的错误.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 血管细分 血管细分
背景情况:
- 对上部消化系统静脉的准确细分对于诊断肝硬化门脉高血压至关重要.
- 像CNN和变压器这样的现有模型在这些患者中面临复杂的附带血管形成的挑战,导致细分不准确.
研究的目的:
- 开发一种先进的深度学习模型,UDV-Net,用于精确细分上部消化系统静脉.
- 为了解决当前处理大量抵押船只的方法的局限性,并减少虚假阳性/阴性结果.
主要方法:
- 设计了一种混合CNN-Transformer架构 (UDV-Net),将多尺度特征提取与远程依赖模型集成在一起.
- 纳入了血管注意模块,以改进管状结构并最大限度地减少错误阳性.
- 使用带有3D voxel 位置编码的变压器桥来增强对各种船只形状和连接性的感知,减少虚假负面.
主要成果:
- UDV-Net在新创建的PHCT数据集中实现了最先进的性能,该数据集是肝硬化门性高血压患者的数据集.
- 该模型在外部验证数据集3D-IRCADb.上表现出令人满意的性能.
- 在公共的MSD肝血管数据集上也获得了最佳结果.
结论:
- UDV-Net有效地融合了CNN和变压器的能力,结合了血管先前和空间意识,以实现高级上部消化系统静脉细分.
- 拟议的方法显著提高了在充满挑战的肝门高血压临床病例的准确性和稳定性.
- UDV-Net代表了医疗图像分析在肝病诊断和管理方面的重大进步.
