简单的UNETR:缩放混合变压器以在有限的计算资源下高效的3D医疗图像细分

科学领域:

• 医学图像分析 医学图像分析
• 人工智能在医学中的应用
• 为医疗保健提供深度学习.

背景情况:

• 基于混合变压器的模型在医学图像细分方面表现出色.
• 高计算需求限制了它们在资源有限的医疗环境中的使用.
• 现有的模型在平衡准确性和效率方面面临挑战.

研究的目的:

• 介绍Slim UNETR,这是一个用于高效医疗图像细分的新框架.
• 在高精度和计算效率之间实现平衡.
• 解决当前资源密集型模型的局限性.

主要方法:

• 开发了Slim UNETR块,集成了CNN和变压器.
• 利用自我注意力机制分解来实现有效的信息交换.
• 雇佣了成本效益的表示汇总和吞吐量指标以评估效率.

主要成果:

• Slim UNETR在准确性,模型大小和效率方面表现出卓越的性能.
• 在BraTS2021数据集上实现了92.44%的子准确度.
• 推理比Swin UNETR.小34.6倍,比Swin UNETR.快13.4倍.

结论:

• Slim UNETR为资源有限的医疗图像分析提供了有效的解决方案.
• 该框架可以显著提高效率,而不会影响准确性.
• 能够在各种临床环境中实际部署先进的细分模型.