ResTransUnet:一个有效的网络与变压器和U-Net相结合,用于CT扫描中的肝脏细分
Jiajie Ou1, Linfeng Jiang2, Ting Bai3
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing, China.
Computers in biology and medicine
|June 1, 2024
概括
本研究介绍了ResTransUNet,这是一个用于肝脏细分的自动化框架,它结合了U-Net和变压器架构. 它实现了高精度,改善了肝癌的诊断和手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 手动肝脏细分是耗时且容易出错的,影响肝细胞癌的诊断和手术规划.
- 现有的深度学习模型,如U-Net与功能丢失和全球上下文作斗争,而纯的变压器模型是计算密集的.
研究的目的:
- 开发一个端到端的自动肝脏细分框架,ResTransUNet,集成U-Net和变压器架构.
- 增强特征提取和全球上下文理解,以提高肝脏细分的准确性.
主要方法:
- 拟议的ResTransUNet框架结合了U-Net和变压器架构.
- 采用双路径编码结构用于使用CNN和变压器进行单独的特征提取.
- 引入了一个功能增强单元,将全球变压器功能转移到CNN.
主要成果:
- 在LiTS2017数据集上实现了高性能,Dice系数为0.9535,VOE为0.0804,RVD为-0.0007.
- 与相关模型相比,在3Dircadb,Chaos和Sliver07数据集上展示了优越的概括性.
- 在细分小,不连续或模糊的肝脏区域方面表现出显著的改善.
结论:
- ResTransUNet有效地解决了传统U-Net和纯变压器模型对于肝脏细分的局限性.
- 新型融合网络为医疗图像分析提供了强大而准确的解决方案.
- 该框架显示了改善肝病诊断和治疗规划中的临床工作流程的前景.
