基于变压器和U2-Net的有效医疗图像分割框架
Xiang Li1, Xianjin Fang2,3, Gaoming Yang2
1School of Safety Science and EngineeringAnhui University of Science and Technology Huainan 232000 China.
IEEE journal of translational engineering in health and medicine
|October 11, 2023
概括
这项研究介绍了TransU2-Net,这是一种用于MRI扫描中脑瘤细分的新型深度学习模型. 通过将变压器与更轻的U2-Net架构相结合,TransU2-Net提高了细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- U-Net和U2-Net架构具有先进的医疗图像细分.
- 虽然U2-Net是有效的,但由于过度嵌套,它可能会过度适应医疗图像细分任务.
- 需要有效和准确的模型来对脑瘤细分.
研究的目的:
- 提出TransU2-Net,一个结合变压器和轻量级U2-Net的2D网络,用于MRI中的自动脑瘤细分.
- 增强多级特征提取和全球信息捕获,以提高细分性能.
主要方法:
- 开发了一种轻量级的U2-Net架构,以捕获多个规模的信息并减少冗余的特征提取.
- 在堆叠的卷积层内集成的变压器块,以捕捉全球背景.
- 在变压器内使用跳过连接来增强空间信息表示.
- 引入了一种新的多尺度特征地图融合策略,用于后处理.
主要成果:
- 在BraTS2021脑瘤细分数据集上,TransU2-Net实现了平均88.17%的Dice系数.
- 该模型在瘤评估的MSD数据集上获得了74.69%的Dice系数.
- 对比分析表明,与现有的二维细分方法相比,性能优越.
结论:
- 通过集成变压器和U2-Net,TransU2-Net提供了一种有效的自动医疗图像细分方法.
- 拟议的方法具有显著的临床重要性,并且优于其他2D细分技术.
- 根据道德准则,对公开可用的数据集 (BraTS2021,MSD) 进行了实验.
