MH2A前者:一个高效的多层次层次混合注意力,用于膀壁和瘤细分的变压器

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在MRI中精确细分膀癌和膀壁,对于诊断和治疗至关重要.
• 由于图像复杂性,例如类似密度,不规则的瘤形状和模糊的边界,自动细分很困难.

研究的目的:

• 开发一种高效的混合注意力和变压器模型 (MH2AFormer),用于改善MRI中的膀癌和壁细分.
• 为了增强特征表示和模型关注相关的解剖区域.

主要方法:

• 提出了一种高效的多层次层次混合注意力与变压器 (MH2AFormer) 模型.
• 在编码器中内置了一个多级混合注意力和变压器 (MHAT) 模块,用于特征提取.
• 在解码器中使用了多尺度混合注意力 (MHA) 模块来实现高质量的细分.
• 采用Fast Fourier变压器,具有大型内核,用于全球特征建模和降低计算负载.

主要成果:

• MH2AFormer在两个独立的数据集上实现了卓越的性能.
• 在数据集A.上实现了高的80.26%的跨欧盟交叉 (IoU) 和88.20%的子相似系数 (DSC).
• 在数据集B上实现了89.74%的IOU和94.48%的DSC,证明了强大的细分能力.

结论:

• MH2AFormer模型在膀癌和壁细分方面显示出显著的实用效用.
• 该方法显示,有可能减少放射科医生在临床环境中的工作量.
• 该模型在处理具有挑战性的细分场景中的有效性得到了验证.