相关实验视频
Updated: Jul 9, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
交叉平行变压器:用于医疗图像分割的平行ViT.
Dong Wang1, Zixiang Wang1, Ling Chen1
1College of Engineering and Design, Hunan Normal University, Changsha 410081, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了PTransUNet和C-PTransUNet用于医疗图像细分,提高效率和准确性. C-PTransUNet模型显著提高了细分性能,并降低了计算成本.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医学图像细分通常使用混合模型,将卷积神经网络和顺序变压器结合起来.
- 变压器在全球范围内采用多头自我注意力,但由于效率低下的特征提取和高计算需求,影响了稳定性.
研究的目的:
- 开发更高效,更强大的医疗图像细分模型.
- 为了解决当前基于变压器的医疗成像方法的计算低效性.
主要方法:
- 推出了PTransUNet (PT模型) 和C-PTransUNet (C-PT模型) 用于医疗图像细分.
- C-PT模块修改了视觉变压器架构,从顺序处理到并行处理.
- 增强的多头自我注意力,具有自我相关的特征注意力和道特征交互,同时优化了前网络.
主要成果:
- 与基线相比,C-PTransUNet模型在Synapse数据集上的子相似系数 (DSC) 精度得到了3.25%的改进.
- 在参数和FLOP方面,PT模型显示了与基线可比的性能.
- 与基线相比,C-PT模型减少了29%的参数数量和21.4%的FLOP.
结论:
- 拟议的PTransUNet和C-PTransUNet模型在细分精度和计算效率上都提供了显著的改进.
- C-PTransUNet提供了一种特别有效的解决方案,可以提高基于变压器的医疗图像细分性能,同时降低资源需求.
