| DC Field | Value | Language |
|---|
| dc.contributor.author | Ди Чжао | - |
| dc.contributor.author | И Тан | - |
| dc.contributor.author | Перцев, Д. Ю. | - |
| dc.contributor.author | Гуринович, А. Б. | - |
| dc.contributor.author | Куприянова, Д. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-04-09T07:31:11Z | - |
| dc.date.available | 2025-04-09T07:31:11Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | LANet для сегментации медицинских изображений = LANet for medical image segmentation / Ди Чжао, И Тан, Д. Ю. Перцев [и др.] // Системный анализ и прикладная информатика. – 2025. – № 1. – C. 44–53. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/59441 | - |
| dc.description.abstract | В данной работе представлена оригинальная модель LANet, предназначенная для улучшения результатов сегментации медицинских изображений и основанная на нейронной сети MobileViT. Разработанные и интегрированные блоки Efficient Fusion Attention и Adaptive Feature Fusion улучшают качество извлечения признаков и уменьшают избыточность данных. Эффективность представленных блоков подтверждена множеством экспериментов, включая оценку точности на различных наборах данных, на основе таких метрик, как Dice, Precision, Recall, mIoU, оценку производительности модели, а также исследование абляции. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БНТУ | en_US |
| dc.subject | публикации ученых | en_US |
| dc.subject | нейронные сети | en_US |
| dc.subject | медицина | en_US |
| dc.subject | искусственный интеллект | en_US |
| dc.subject | LANet | en_US |
| dc.title | LANet для сегментации медицинских изображений | en_US |
| dc.title.alternative | LANet for medical image segmentation | en_US |
| dc.type | Article | en_US |
| dc.identifier.DOI | 10.21122/2309-4923-2025-1-44-53 | - |
| local.description.annotation | The paper presents an original LANet model for improving medical image segmentation results based on MobileViT neural network. The developed and integrated Efficient Fusion Attention and Adaptive Feature Fusion blocks improve the quality of feature extraction and reduce data redundancy. The effectiveness of the presented blocks is validated by multiple experiments, including accuracy evaluation on different datasets, based on metrics such as Dice, Precision, Recall, mIoU, model performance evaluation, and ablation study. | en_US |
| Appears in Collections: | Публикации в изданиях Республики Беларусь
|
