相关实验视频
Updated: Jul 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
435
nnUnetFormer:基于nnUnet和变压器的自动方法,用于用多式MR图像进行脑瘤细分
Shunchao Guo1,2, Qijian Chen1, Li Wang1
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, People's Republic of China.
Physics in medicine and biology
|November 14, 2023
概括
这项研究介绍了nnUnetFormer,这是一种用于脑瘤细分的新框架,有效地结合了MRI扫描的本地和全球特征. 该方法在基准数据集上表现出卓越的性能,超过现有最先进的技术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 卷积神经网络 (CNN) 努力捕捉大脑瘤细分中的全球空间依赖性.
- 多模式磁共振成像 (MRI) 数据提供了丰富的语义特征,以改善细分.
- 整合本地和全球背景对于准确的脑瘤划分至关重要.
研究的目的:
- 开发一种新的框架,nnUnetFormer,用于增强脑瘤细分.
- 有效地利用来自多式模式MRI的本地和全球上下文信息.
- 为了提高自动化脑瘤细分的准确性和稳定性.
主要方法:
- 提出了nnUnetFormer,这是一个混合框架,结合了nnUnet和变压器模块.
- 融合了变压器模块进入nnUnet架构的更深层.
- 采用多模式MRI数据进行培训和验证.
主要成果:
- 在BraTS 2021数据集上实现了高性能,子相似系数 (DSC) 为0.936 (整个瘤),0.921 (瘤核心) 和0.872 (增强瘤).
- 在平均DSC和豪斯多夫距离第95百分点 (HD95) 中,在最先进的方法中表现出优越的性能.
- 在FeTS 2021数据集上表现出强大的概括性,分别为WT,TC和ET获得0.912的DSC分数,0.872和0.759.
结论:
- nnUnetFormer有效地整合了本地和全球特征,用于优越的脑瘤细分.
- 变压器集成显著提高了细分性能,特别是在瘤核心.
- 该方法在脑瘤分析中的临床应用方面显示出有前途的潜力.
