相关实验视频
Updated: Jul 22, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
442
变压器和卷积神经网络的协作网络是用于准确的3D医疗图像分割的强大和多功能学习器
Yong Chen1, Xuesong Lu1, Qinlan Xie1
1School of Biomedical Engineering, South-Central Minzu University, Wuhan, 430074, Hubei, China.
Computers in biology and medicine
|July 20, 2023
概括
新的TC-CoNet模型有效地结合了变压器和卷积神经网络,用于准确的3D医疗图像细分,改善特征表示和多尺度分析,以获得卓越的结果.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 整合变压器和卷积神经网络 (CNN) 是医学图像细分的一个关键方法.
- 现有的混合方法在充分利用变压器和CNN的全部潜力方面存在局限性.
- 问题包括在补丁嵌入时忽略空间信息,固定补丁大小,注意力扩散和缺乏高效的多尺度建模.
研究的目的:
- 推出TC-CoNet,一种用于准确3D医疗图像细分的新型混合网络.
- 为了解决目前用于医学成像的变压器-CNN混合模型的局限性.
- 增强特征表示,空间信息保存和多尺度分析.
主要方法:
- 设计精确的补丁嵌入,以生成具有准确空间位置信息的3D特征.
- 使用TC-CoNet与交错变压器和CNN构建了一个编码器解码器骨干.
- 采用狭窄的注意力桥梁来集中注意力于局部特征,并使用的空间金字塔聚合来进行多尺度建模.
主要成果:
- 在五个具有挑战性的数据集上,TC-CoNet表现出卓越的性能:Synapse,ACDC,脑瘤细分,心脏左前庭细分和肺瘤细分.
- 与最先进的方法相比,该模型显示出强大的优越性,迁移和概括能力.
- 实验验证了拟议的变压器和CNN组合的有效性.
结论:
- TC-CoNet有效地集成了变压器和CNN,用于准确的3D医疗图像细分.
- 建议的补丁嵌入,注意力机制和多尺度建模的方法显著提高了细分性能.
- 对于各种医疗图像细分任务,TC-CoNet提供了一个有前途的解决方案.
