使用Swin变压器和增强局部自我注意力的高效脑瘤细分
Fethi Ghazouani1,2, Pierre Vera3,4, Su Ruan4
1Department of Nuclear Medicine, Henri Becquerel Center, 76038, Rouen, France. fethi.ghazouani@chb.unicancer.fr.
International journal of computer assisted radiology and surgery
|October 5, 2023
概括
这项研究引入了一种基于Swin变压器的新型网络,用于大脑瘤细分,实现高精度. 拟议的方法增强了局部特征提取,以改善脑瘤的语义细分.
科学领域:
- 医疗图像分析 医学图像分析
- 神经瘤学中的人工智能
背景情况:
- 卷积神经网络 (CNN) 在捕获脑瘤细分的远程依赖性方面存在局部受体场的限制.
- 视觉转换器 (ViT) 利用自我注意力机制来动态聚合空间信息,在各种细分任务中表现优于CNN.
研究的目的:
- 提出基于Swin变压器的语义脑瘤细分的新型网络架构.
- 通过整合变压器功能来解决CNN在学习远程依赖方面的局限性.
主要方法:
- 拟议的方法采用了一个编码器-解码器结构,结合了变压器和CNN模块.
- 编码器使用增强局部自我注意 (ELSA) 变压器块来改进局部特征提取.
- 包括道挤压和空间激发块,以增强特征表示.
主要成果:
- 该方法在BraTS 2021数据集上进行了评估,其中包括1251例3DMRI扫描的病例.
- 该方法实现了高平均子得分的89.77%和8.90毫米的平均豪斯多夫距离.
- 该框架在多模态3D脑MRI数据上展示了出色的细分性能.
结论:
- 使用Swin变压器和增强的局部自我注意力开发了一个用于脑瘤细分的自动化框架.
- 拟议的方法在脑瘤细分精度方面超越了现有的最先进的3D算法.
- 这些发现突显了基于变压器的架构在先进的医疗图像细分方面的潜力.
