{"id":215,"date":"2025-07-31T18:19:04","date_gmt":"2025-07-31T16:19:04","guid":{"rendered":"https:\/\/medmultilingua.com\/sueco\/?p=215"},"modified":"2025-07-31T18:19:04","modified_gmt":"2025-07-31T16:19:04","slug":"ihe-net-en-ny-era-for-medicinsk-bildsegmentering-med-hybrid-artificiell-intelligens","status":"publish","type":"post","link":"https:\/\/medmultilingua.com\/sueco\/ihe-net-en-ny-era-for-medicinsk-bildsegmentering-med-hybrid-artificiell-intelligens\/","title":{"rendered":"IHE-Net: En ny era f\u00f6r medicinsk bildsegmentering med hybrid artificiell intelligens"},"content":{"rendered":"\n

Dr. Marco V. Benavides S\u00e1nchez.<\/strong><\/p>\n\n\n\n

Kan artificiell intelligens l\u00e4ra sig b\u00e4ttre genom att se fr\u00e5n flera perspektiv?<\/strong> En grupp kinesiska forskare har utvecklat ett nytt segmenteringssystem f\u00f6r medicinska bilder som visar att svaret \u00e4r ja. Den nya modellen, kallad IHE-Net<\/strong>, kombinerar tv\u00e5 olika typer av neurala n\u00e4tverk \u2013 konvolutionella n\u00e4tverk (CNN) och transformerbaserade modeller s\u00e5som Mamba \u2013 f\u00f6r att dra nytta av deras respektive styrkor.<\/p>\n\n\n\n

IHE-Net \u00e4r ett tydligt exempel p\u00e5 framstegen inom semi-supervised learning<\/strong> (semi-superviserat l\u00e4rande), d\u00e4r maskiner kan l\u00e4ra sig tolka medicinska bilder \u00e4ven om endast en liten andel av dem \u00e4r manuellt annoterade. Denna metod \u00e4r s\u00e4rskilt anv\u00e4ndbar i sjukv\u00e5rden, d\u00e4r expertanpassad bilddata ofta \u00e4r begr\u00e4nsad och dyr att producera.<\/p>\n\n\n\n

\ud83d\udd0d Varf\u00f6r beh\u00f6vs nya l\u00f6sningar inom medicinsk segmentering?<\/h2>\n\n\n\n

Segmentering av medicinska bilder \u2013 att identifiera strukturer som tum\u00f6rer, hudskador eller skadad v\u00e4vnad i exempelvis hudbilder eller r\u00f6ntgen \u2013 \u00e4r avg\u00f6rande f\u00f6r diagnos och behandling. Traditionella modeller kr\u00e4ver tusentals bilder m\u00e4rkta av specialister, n\u00e5got som \u00e4r b\u00e5de tidskr\u00e4vande och kostsamt.<\/p>\n\n\n\n

IHE-Net presenterar ett mer h\u00e5llbart alternativ: en modell som kan utnyttja b\u00e5de m\u00e4rkta och om\u00e4rkta data<\/strong>, vilket g\u00f6r det m\u00f6jligt att anv\u00e4nda stora m\u00e4ngder tillg\u00e4ngliga men ej annoterade medicinska bilder.<\/p>\n\n\n\n

\ud83e\uddec Vad g\u00f6r IHE-Net unikt?<\/h2>\n\n\n\n

IHE-Nets arkitektur bygger p\u00e5 tv\u00e5 heterogena kodare<\/strong>: en baserad p\u00e5 ett klassiskt CNN-n\u00e4tverk och den andra p\u00e5 en transformerbaserad modell. Dessa tv\u00e5 \u201cser\u201d bilden p\u00e5 olika s\u00e4tt, vilket g\u00f6r att modellen f\u00e5r tillg\u00e5ng till en rikare och mer varierad upps\u00e4ttning bildfunktioner.<\/p>\n\n\n\n

Modellen inneh\u00e5ller ocks\u00e5 en modul f\u00f6r fusion av dold funktionsdiskrepans<\/strong> (MFDF \u2013 Multi-level Feature Discrepancy Fusion<\/em>), som integrerar skillnaderna mellan kodarna p\u00e5 ett effektivt s\u00e4tt. Ist\u00e4llet f\u00f6r att behandla skillnaderna som ett problem anv\u00e4nds de som en v\u00e4rdefull informationsk\u00e4lla<\/strong> f\u00f6r att f\u00f6rb\u00e4ttra resultatet.<\/p>\n\n\n\n

Ut\u00f6ver detta har forskarna utvecklat en strategi f\u00f6r tredubbel konsistensinl\u00e4rning<\/strong>, d\u00e4r tv\u00e5 avkodare (decoders) anv\u00e4nds och d\u00e4r modellens utdata j\u00e4mf\u00f6rs i flera steg. Detta ger b\u00e4ttre stabilitet och h\u00f6gre precision vid f\u00f6ruts\u00e4gelser.<\/p>\n\n\n\n

\ud83e\uddea Lovande resultat<\/h2>\n\n\n\n

IHE-Net har testats p\u00e5 tre dataset som fokuserar p\u00e5 hudlesioner: ISIC2017, ISIC2018 och PH2<\/strong>. I alla fall presterade modellen b\u00e4ttre \u00e4n tidigare system, med \u00f6kad f\u00f6rm\u00e5ga att exakt identifiera gr\u00e4nserna f\u00f6r lesioner, melanom och andra hudf\u00f6r\u00e4ndringar.<\/p>\n\n\n\n

S\u00e5 kallade ablationsstudier visade ocks\u00e5 att varje komponent i IHE-Net spelar en viktig roll f\u00f6r den \u00f6vergripande prestandan, vilket tyder p\u00e5 att modellen \u00e4r b\u00e5de genomt\u00e4nkt och effektivt konstruerad.<\/p>\n\n\n\n

\ud83c\udf10 Mer \u00e4n ett forskningsprojekt<\/h2>\n\n\n\n

Forskargruppen har gjort hela kodbasen tillg\u00e4nglig via GitHub<\/a>, vilket m\u00f6jligg\u00f6r fortsatt utveckling och validering av andra forskare och kliniska experter. Denna \u00f6ppna inst\u00e4llning fr\u00e4mjar internationellt samarbete och innovation inom digital h\u00e4lsa.<\/p>\n\n\n\n

IHE-Net representerar ett viktigt steg mot intelligentare medicinska system<\/strong>, som kan l\u00e4ra sig snabbare, kr\u00e4ver mindre manuella resurser och b\u00e4ttre hanterar komplexiteten i m\u00e4nsklig anatomi. I framtiden kan modeller som denna bli en integrerad del av digitala diagnosplattformar och bist\u00e5 l\u00e4kare i att uppt\u00e4cka allvarliga sjukdomar i ett tidigare skede.<\/p>\n\n\n\n

\n\n\n\n

\ud83d\udcda Referens:<\/h3>\n\n\n\n

Ju, M., Wang, B., Zhao, Z., Zhang, S., Yang, S., & Wei, Z. (2025). IHE-Net: Hidden feature discrepancy fusion and triple consistency training for semi-supervised medical image segmentation. Artificial Intelligence in Medicine, 103229<\/em>. https:\/\/doi.org\/10.1016\/j.artmed.2025.103229<\/a><\/p>\n\n\n\n

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

Dr. Marco V. Benavides S\u00e1nchez. Kan artificiell intelligens l\u00e4ra sig b\u00e4ttre genom att se fr\u00e5n flera perspektiv? En grupp kinesiska forskare har utvecklat ett nytt segmenteringssystem f\u00f6r medicinska bilder som visar att svaret \u00e4r ja. Den nya modellen, kallad IHE-Net, kombinerar tv\u00e5 olika typer av neurala n\u00e4tverk \u2013 konvolutionella n\u00e4tverk (CNN) och transformerbaserade modeller s\u00e5som…<\/p>\n","protected":false},"author":1,"featured_media":218,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-215","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"_links":{"self":[{"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/posts\/215","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/comments?post=215"}],"version-history":[{"count":2,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/posts\/215\/revisions"}],"predecessor-version":[{"id":217,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/posts\/215\/revisions\/217"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/media\/218"}],"wp:attachment":[{"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/media?parent=215"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/categories?post=215"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medmultilingua.com\/sueco\/wp-json\/wp\/v2\/tags?post=215"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}