Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Mar 11, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

852

MM FD ConvFormer多式联通频率意识可变形CNN变压器网络,用于强大的脑瘤分类.

Anto Lourdu Xavier Raj Arockia Selvarathinam1, Umesh Kumar Lilhore2, Roobaea Alroobaea3

  • 1Department of Data Science and Analytics, College of Computing, Grand Valley State University, Michigan, USA.

Scientific reports
|March 10, 2026
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Dynamic urban land surface monitoring in developing countries using remote sensing and machine learning: real-time investigational approach.

Scientific reports·2026
Same author

A unified post-quantum zero-trust architecture with AI-driven orchestration for secure healthcare fog networks.

Scientific reports·2026
Same author

Enhanced detection of network intrusions and anomalies in internet of things applications using a hybrid artificial intelligence model combining CNN and LSTM.

Scientific reports·2026
Same author

Meta-Gamofy: Automated Metaverse Gaming for Healthcare Conditions.

Clinical anatomy (New York, N.Y.)·2026
Same author

Text encryption using Sosemanuk and Harris Hawks optimization by laser communication.

Scientific reports·2026
Same author

Automated knee MRI segmentation with KneeSeg-U for cartilage and bone extraction using an unsupervised deep learning framework.

BMC musculoskeletal disorders·2026

这项研究介绍了MM-FD-ConvFormer,这是一个新的多式联络网络,用于使用MRI准确地分类脑瘤. 该模型通过整合空间和频率数据来增强诊断,优于现有方法.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 计算生物学 计算生物学

背景情况:

  • 通过MRI准确地分类脑瘤对于患者的治疗结果至关重要.
  • 目前的模型往往错过了光谱特征和瘤异质性,因为依赖单模空间数据.
  • 跨数据集的有限泛化对现有方法来说是一个重大挑战.

研究的目的:

  • 开发一个强大的和可解释的多式联络网络用于脑瘤分类.
  • 为了提高捕捉光谱特征和模型瘤异质性的.
  • 增强跨数据集概括能力.

主要方法:

  • 提出了MM-FD-ConvFormer,一个多式联网频率感知可变形的CNN-变压器网络.
  • 集成的空间MRI,频域MRI (福里埃/波形变换) 和多尺度的上下文特征.
  • 采用了ConvNeXt V2骨干,一个并行的ConvNeXt分支,以及具有可变形跨模态注意力机制的Swin变压器V2.

主要成果:

  • 在准确性,宏观F1得分和AUC方面,MM-FD-ConvFormer始终超过了CNN基线,变压器和混合模型.
  • 在多个公共和外部验证数据集中表现出强大的性能.
  • 定性分析证实了解释性和有效的瘤定位.
关键词:
脑瘤分类大脑瘤的分类CNN变压器混合动力变压器跨数据集的概括.可变形的注意力注意力频域的注意力 频域的注意力磁共振成像技术 磁共振成像技术多模式学习是多模式学习.

更多相关视频

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.4K

相关实验视频

Last Updated: Mar 11, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

852
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.4K

结论:

  • MM-FD-ConvFormer为自动脑瘤分类提供了一种优越,可解释和可概括的解决方案.
  • 多式联网,频率意识的方法有效地解决了单式联网方法的局限性.
  • 该模型显示了神经瘤学中现实世界的临床应用的巨大潜力.