PulseAugur
中
实时 10:07:29
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: A Backpropagation-Free Multi-Scale Wavelet-Saab Framework for Thyroid Nodule Segmentation in Ultrasound Images

    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: A Backpropagation-Free Multi-Scale Wavelet-Saab Framework for Thyroid Nodule Segmentation in Ultrasound Images

    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