MD-SGT:用于无监督医疗图像注册的多扩展球形图形变压器
Kun Tang1, Lihui Wang1, Xingyu Huang1
1Engineering Research Center of Text Computing & Cognitive Intelligence, Ministry of Education, Key Laboratory of Intelligent Medical Image Analysis and Precise Diagnosis of Guizhou Province, State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang, China.
概括
本研究介绍了一种新型的多扩展球形图形变压器 (MD-SGT),用于可变形的医疗图像记录. MD-SGT通过增强远程空间依赖性和注意力延长来提高注册准确性.
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:
- 可变形医疗图像的注册对于临床应用至关重要.
- 目前的卷积神经网络和变压器方法在捕捉远程空间依赖和统一注意力方面存在局限性.
研究的目的:
- 解决可变形医疗图像注册现有方法的局限性.
- 提出一种新型模型,增强远程空间依赖性和注意力,以提高注册性能.
主要方法:
- 引入了一个多扩展球形图形变压器 (MD-SGT) 模型.
- 编码器集成了卷积和图形变压器块,用于多尺度特征提取.
- 沃克塞尔特征是通过聚合来自不同扩张速率的球形区域的邻居信息来生成的.
主要成果:
- 在两个数据集上,MD-SGT模型表现出比最先进的方法更好的性能.
- 关键指标显示显著改善:子得分 (≥0.5%),自闭症 (≥2.2%),和HD95 (≥1.1%).
- 这项研究证实了结合长距离均注意力和诱导偏差的好处.
结论:
- 拟议的MD-SGT有效地捕捉了医疗图像注册的多尺度特征和远程依赖.
- 整合诱导偏差和统一的注意力延长可以提高特征的代表性和注册的准确性.
- 这些发现表明,对于推进可变形医疗图像记录技术的有希望的方向.
