PMFFNet: A hybrid network based on feature pyramid for ovarian tumor segmentation
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Ovarian cancer is a highly lethal malignancy in the field of oncology. Generally speaking, the segmentation of ovarian medical images is a necessary prerequisite for the diagnosis and treatment planning. Therefore, accurately segmenting ovarian tumors is of utmost importance. In this work, we propose a hybrid network called PMFFNet to improve the segmentation accuracy of ovarian tumors. The PMFFNet utilizes an encoder-decoder architecture. Specifically, the encoder incorporates the ViTAEv2 model to extract inter-layer multi-scale features from the feature pyramid. To address the limitation of fixed window size that hinders sufficient interaction of information, we introduce Varied-Size Window Attention (VSA) to the ViTAEv2 model to capture rich contextual information. Additionally, recognizing the significance of multi-scale features, we introduce the Multi-scale Feature Fusion Block (MFB) module. The MFB module enhances the network's capacity to learn intricate features by capturing both local and multi-scale information, thereby enabling more precise segmentation of ovarian tumors. Finally, in conjunction with our designed decoder, our model achieves outstanding performance on the MMOTU dataset. The results are highly promising, with the model achieving scores of 97.24%, 91.15%, and 87.25% in mACC, mIoU, and mDice metrics, respectively. When compared to several Unet-based and advanced models, our approach demonstrates the best segmentation performance.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- PMFFNet: A hybrid network based on feature pyramid for ovarian tumor segmentation
- Date Crossref
- 01/04/2024
- Éditeur
- Public Library of Science (PLoS)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Xinjiang University pays non établi dans la noticeUniversité ou école supérieure
-
Beijing National Research Center for Information Science and Technology pays non établi dans la noticeStructure de recherche
-
Tsinghua University Department of Electronic Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Xinjiang Medical University Cancer Institute pays non établi dans la noticeUniversité ou école supérieure
-
Xinjiang Uygur Autonomous Region Disease Prevention and Control Center pays non établi dans la noticeOrganisme public
-
School of Software pays non établi dans la noticeUniversité ou école supérieure
-
School of Computer Science and Technology pays non établi dans la noticeUniversité ou école supérieure
-
Key Laboratory of Oncology of Xinjiang Uyghur Autonomous Region Xinjiang Cancer Center pays non établi dans la noticeStructure de recherche
Xinjiang University, Beijing National Research Center for Information Science and Technology et Department of Electronic Engineering — Tsinghua University, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.