CCT-Unet:基于卷积合变压器的U形网络,用于前列腺MRI中的外围和过渡区的细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在磁共振成像 (MRI) 中精确的前列腺区域细分对于人工智能驱动的前列腺癌诊断至关重要.
• 变压器模型在全球特征方面表现出色,但在前列腺MRI数据集中的局部变化方面却存在困难.
• 卷积神经网络 (CNN) 有效地捕捉到局部图像特征,这是变压器缺乏的.

研究的目的:

• 开发一个强大的前列腺细分模型,结合CNN和变形金刚的优势.
• 提高MRI前列腺区域细分的准确性和可靠性.
• 解决现有模型在处理局部强度变化和远程依赖方面的局限性.

主要方法:

• 提出了一个名为Convolution Coupled Transformer U-Net (CCT-Unet) 的新型U形网络.
• 包含一个卷积式嵌入块,用于高分辨率输入编码和边缘细节保存.
• 引入了一个卷积合变压器块,以增强本地特征提取和长期相关性.
• 开发了一个功能转换模块,以弥合跳过连接中的语义差距.

主要成果:

• 在MRI中,CCT-Unet在前列腺的外围和过渡区域的细分方面表现出卓越的准确性和稳定性.
• 在 ProstateX 和 Huashan 数据集上的实验结果始终超过了几种最先进的方法.
• 该模型有效地将本地特征保留与全球上下文理解相结合.

结论:

• 拟议的CCT-Unet是MRI前列腺细分的有效模型,优于现有的方法.
• 整合CNN和变压器架构为医疗图像细分任务提供了一个有希望的方向.
• 该模型能够捕获本地和全球特征,从而提高了细分精度.