双分支变压器用于半监督的医疗图像分割

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 医疗图像细分至关重要,但由于耗时的注释和有限的标签数据而受到阻碍.
• 当前的卷积神经网络经常无法捕捉本地和全球图像特征,限制复杂结构的细分.

研究的目的:

• 为医疗图像细分提出一种新的深度学习网络架构.
• 克服与有限的标记数据和现有模型中不足的特征表示相关的挑战.

主要方法:

• 一个U形的编码器-解码器结构,双分支编码器使用Swin模块 (转移窗口) 来进行多级特征捕获.
• 一个半监督的学习策略,通过一个水平设置函数将未标记的数据纳入回归和分类之间的一致性.

主要成果:

• 在COVID-19 CT数据集上实现了74.56%的细分精度.
• 在DRIVE数据集上实现了79.79%的细分精度.
• 与各种半监督和完全监督模型相比,证明了卓越的性能.

结论:

• 拟议的方法有效地提高了利用不同窗口大小的Swin模块来提取特征.
• 水平设置功能显著提高了在半监督医疗图像细分中未标记数据的利用率.
• 这些发现为推进医学成像中的深度学习应用提供了宝贵的见解.