SW-UNet:一个U-Net融合滑动窗转换器块与CNN用于细分肺结节

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用
• 深度学习用于医疗应用.

背景情况:

• 医学图像对于诊断,教学和研究至关重要,需要智能处理.
• 目前用于医疗图像细分的深度学习方法在捕获远程依赖性和适应有限数据方面面临挑战.
• 肺结节细分是医学图像分析的一个关键任务.

研究的目的:

• 开发一种简单,高效和轻量级的深度学习算法,用于医疗图像细分.
• 解决现有算法的局限性,以捕捉远程特征依赖性和感知场的局限性.
• 调查混合卷积神经网络 (CNN) 和视觉转换器 (ViT) 架构,以改善细分.

主要方法:

• 拟议的SW-UNet模型集成CNN和视觉变压器 (ViT) 用于医疗图像细分.
• 利用ViT的自我注意机制和滑动窗口设计来捕捉全球特征关联.
• 采用扩展的自我注意向量来简化模块和压缩小型医疗数据集的模型大小.

主要成果:

• SW-UNet模型通过轻量化架构在 LUNA16 肺结节数据集上实现了高效的医疗图像细分.
• 证明有效捕获长距离特征依赖性,克服传统卷积运算的局限性.
• 在其他瘤数据集上验证了模型的迁移性和适应性,产生了理想的结果.

结论:

• SW-UNet模型为医疗图像细分提供了有效的解决方案,特别是肺结节.
• 混合CNN-ViT架构成功地增强了功能依赖性捕获,并克服了感知领域的限制.
• 该模型的可扩展性和适应小数据集的适应性凸显了其在医学图像分析中的广泛应用性.