在CT成像中用于结直肠癌细分的变压器

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 放射学和瘤学 放射学和瘤学

背景情况:

• 变压器模型正在成为医疗图像细分的最先进技术.
• 传统的深度学习方法,如卷积神经网络 (CNN),一直是此类任务的标准.
• 在CT成像中对结肠直肠癌 (CRC) 的细分是一个重大挑战.

研究的目的:

• 将各种变压器模型应用于CT成像中的CRC细分.
• 为了比较变压器模型的性能与当前最先进的CNN,nnUnet.
• 调查网络大小对CRC细分的变压器模型准确性的影响.

主要方法:

• 实施了六种变压器模型,其架构和尺寸各不相同.
• 将这些模型应用于医疗细分十大赛中的CRC细分任务.
• 变压器模型性能与nnUnet和观察者间变量 (IOV) 的比较.

主要成果:

• 斯温-UNETR,D-Former和VT-Unet获得了最高的子相似系数 (DSC),分别达到0.60,0.59和0.59.
• 变压器架构在CRC细分方面表现优于nnUnet.
• 获得的DSC得分与观察者之间的变化 (约. 0.64),这表明准确度接近专家水平.

结论:

• 变压器模型在具有挑战性的CRC细分任务中展示了最先进的性能.
• 虽然准确度正在提高,但进展变得边缘化,这表明效率等其他因素越来越重要.
• 该研究强调了变压器的潜力,但也强调了由于任务复杂性和IOV而实现更高的细分精度的固有挑战和局限性.