PulseAugur
中
实时 13:06:08
English(EN) MedSaab-US: A Backpropagation-Free Multi-Scale Wavelet-Saab Framework for Thyroid Nodule Segmentation in Ultrasound Images

新的无反向传播框架用于甲状腺结节分割

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了MedSaab-US，一种用于超声图像甲状腺结节分割的新型框架，该框架不依赖于反向传播或深度学习。该方法结合了多级离散小波变换和多尺度Saab变换来提取特征，然后由XGBoost分类器进行处理。MedSaab-US在TN3K数据集上实现了0.4784的平均Dice系数，模型占用空间小，并具备仅CPU推理能力，为资源受限的环境提供了潜在的替代方案。 AI

影响 为资源受限环境中的医学图像分割提供了深度学习的潜在替代方案。

排序理由 该条目描述了一篇详细介绍新型医学图像分割框架的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的无反向传播框架用于甲状腺结节分割

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Mohammad Amanour Rahman ·

    MedSaab-US：一种无反向传播的多尺度小波-Saab框架用于超声图像中的甲状腺结节分割

    arXiv:2607.02209v1 Announce Type: new Abstract: Deep learning (DL) methods dominate thyroid nodule segmentation in ultrasound (US) images, achieving high Dice scores but at the cost of millions of parameters, GPU-dependent training via backpropagation, and limited mathematical tr…

  2. arXiv cs.CV TIER_1 English(EN) · Mohammad Amanour Rahman ·

    MedSaab-US：一种无反向传播的多尺度小波-Saab框架用于超声图像中的甲状腺结节分割

    Deep learning (DL) methods dominate thyroid nodule segmentation in ultrasound (US) images, achieving high Dice scores but at the cost of millions of parameters, GPU-dependent training via backpropagation, and limited mathematical tractability. These limitations impede deployment …

相关实体

相关话题