TransCeption: Enhancing medical image segmentation with an inception-like transformer design for efficient feature fusion

Reza Azad, Yiwei Jia, Ehsan Khodapanah Aghdam, Julien Cohen-Adad et Dorit Merhof

Article de revue (2025)

Document en libre accès chez l'éditeur officiel

Un lien externe est disponible pour ce document

Département:	Département de génie électrique Institut de génie biomédical
Centre de recherche:	NeuroPoly - Laboratoire de Recherche en Neuroimagerie
Organismes subventionnaires:	German Research Foundation
Numéro de subvention:	455548460
URL de PolyPublie:	https://publications.polymtl.ca/66624/
Titre de la revue:	Computational Visual Media
Maison d'édition:	Springer Nature
DOI:	10.26599/cvm.2025.9450407
URL officielle:	https://doi.org/10.26599/cvm.2025.9450407
Date du dépôt:	22 juil. 2025 15:43
Dernière modification:	22 juil. 2025 15:44

Citer en APA 7:	Azad, R., Jia, Y., Khodapanah Aghdam, E., Cohen-Adad, J., & Merhof, D. (2025). TransCeption: Enhancing medical image segmentation with an inception-like transformer design for efficient feature fusion. Computational Visual Media, 17 pages. https://doi.org/10.26599/cvm.2025.9450407
APA 7 (HTML)ASCII CitationAtomBibTeXDOIsDublin CoreEndNote (.ENW)MARC (ISO 2709/UTF-8) (.MRC)MARC (UTF-8) (.MRK8)MARC XMLMPEG-21 DIDLMultiline CSVOAI-ORE Resource Map (Atom Format)OPENAIREOpenURL ContextObjectOpenURL ContextObject in SpanRDF+N-TriplesRDF+N3RDF+XMLReferReference Manager (.RIS)Simple Metadata

Statistiques

Actions réservées au personnel