混合UNet变压器架构用于以MRI和CT数据集为基础的缺血风口细分,使用MRI和CT数据集
Wei Kwek Soh1, Jagath C Rajapakse1
1School of Computer Science and Engineering, Nanyang Technological University, Singapore, Singapore.
Frontiers in neuroscience
|December 18, 2023
概括
一个新的混合UNet和变压器 (HUT) 网络提高了MRI和CT扫描中脑损伤细分的准确性. 这种方法提高了病变检测和细分性能,超过了现有的最先进的技术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 准确的脑损伤细分对于诊断和治疗神经疾病至关重要.
- 传统的细分方法经常与复杂的病变形状和有限的数据作斗争.
研究的目的:
- 引入混合联网和变压器 (HUT) 网络,以改善脑损伤细分.
- 利用UNet和Transformer架构的优势,提高准确性和效率.
主要方法:
- 开发了一个混合网络 (HUT) 与并行UNet和变压器阶段.
- 在变压器组件中内置自主监督学习,以改进特征表示.
- 利用来自UNet解码器的中间特征向量来增强变压器的注意力机制.
主要成果:
- 与最先进的方法相比,HUT在基准数据集 (ATLAS,ISLES2018) 上表现优越.
- 在单模和多模损伤细分中获得更高的子得分和更低的豪斯多夫距离得分.
- 在特定数据集上,SPiN的表现优于4.84%,而USSLNet的表现优于3.3%.
结论:
- HUT网络在脑损伤细分精度和概括能力方面提供了显著的改进.
- 混合方法有效地将本地特征提取 (UNet) 与全球上下文建模 (Transformer) 结合起来.
- 在神经成像分析中,HUT显示出临床应用的前景.
