相关实验视频
Updated: Jul 8, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
医疗图像细分中的变压器:叙述性审查
Rabeea Fatma Khan1, Byoung-Dai Lee1, Mu Sook Lee2
1Department of Computer Science, Graduate School, Kyonggi University, Suwon, Republic of Korea.
Quantitative imaging in medicine and surgery
|December 18, 2023
概括
本次调查审查了用于医疗图像细分的变压器网络,发现它们与卷积神经网络相匹配,并从混合方法中受益. 未来的工作应该解决数据的局限性,并探索转移学习.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 变压器最初用于NLP,现在是计算机视觉的关键.
- 它们对于医学图像细分越来越重要,与卷积神经网络竞争.
- 结合变压器和CNN的混合方法擅长捕捉本地和全球背景.
研究的目的:
- 调查创新的变压器网络,以实现高效的医疗图像细分.
- 分析增强医疗数据处理的架构和注意力机制.
- 确定基于变压器的医学成像中的研究缺口和未来方向.
主要方法:
- 在主要的学术数据库中进行文献搜索 (谷歌学者,arXiv等). ) 的情况.
- 专注于2021年至2023年间发表的英语研究.
- 变压器架构和注意力机制的定性和定量分析.
主要成果:
- 变压器在医疗图像细分方面表现出与CNN的竞争性.
- 混合模型通过整合本地和全球特征提取显示了显著的改进.
- 对于复杂的医疗数据,各种变压器架构和注意力机制是有效的.
结论:
- 变压器网络是医疗图像细分的强大工具.
- 一个关键的挑战是缺乏注释医学数据用于训练深度学习模型.
- 未来的方向包括转移学习和专门的细分任务的基础模型.
