一个3D边界引导的混合网络与卷积和变压器用于CT图像中的肺瘤细分
Hong Liu1, Yuzhou Zhuang1, Enmin Song1
1Center for Biomedical Imaging and Bioinformatics, School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, 430074, China.
Computers in biology and medicine
|August 13, 2024
概括
这项研究介绍了BGHNet,这是一个新的3D混合网络,用于CT扫描中精确的肺瘤细分. BGHNet有效地结合了卷积和变压器特征,提高了细分精度和边界检测,以便更好地诊断肺癌.
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:
- 计算机断层扫描 (CT) 扫描的精确肺瘤细分对于肺癌诊断至关重要.
- 现有的3D方法难以整合本地和全球特征,并且经常忽视瘤边界信息.
研究的目的:
- 提出一种新的3D边界引导混合网络 (BGHNet),用于增强肺瘤细分.
- 有效地结合来自卷曲的本地模式与来自变压器的全球依赖.
- 为了利用边界信息来提高细分精度.
主要方法:
- 开发了混合本地-全球上下文聚合 (HLGCA) 模块,具有并行卷积和变压器分支.
- 引入了用于具有局部感应偏差和大受体场的变压器分支的体积度交叉条纹窗口变压器 (VCSwin-Transformer).
- 设计的体积金字塔卷积与基于变压器的扩展 (VPConvNeXt) 卷积分支与多个规模的全球信息.
- 实现了一个边界指导特征改进 (BGFR) 模块,以改进使用边界信息的解码特征.
主要成果:
- 与最先进的二维和三维方法相比,BGHNet在私人 (HUST-Lung) 和公共 (MSD-Lung) 数据集上都表现出优异的性能.
- 拟议的方法实现了精确的肺瘤细分,优于现有的方法.
- 在非对比和对比增强CT扫描中表现出极好的概括性能.
结论:
- BGHNet有效地整合了本地和全球特征,并利用边界信息进行精确的肺瘤细分.
- 拟议的混合网络为肺癌诊断的医学图像分析提供了重大进展.
- BGHNet显示出在CT图像中的肺瘤细分中临床应用的巨大潜力.
