相关实验视频
Updated: May 7, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
318
在多参数MRI上对白质病变的自动细分:卷积神经网络与视觉转换器相比
Yun-Ting Chen1, Yan-Cheng Huang2, Hsiu-Ling Chen1
1Department of Diagnostic Radiology, Kaohsiung Chang Gung Memorial Hospital, Chang Gung University College of Medicine, No. 123 Ta-Pei Road, Niao-Sung Dist, Kaohsiung City, 83305, Taiwan.
BMC neurology
|January 3, 2025
概括
基于变压器的模型在脑MRI中优于细分白质超强度 (WMH),在有限的数据集上表现优于卷积神经网络. 这为具有有限计算资源的临床应用提供了有前途的解决方案.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经疾病评估神经疾病评估
背景情况:
- 大脑MRI上的白质超强度 (WMH) 是神经疾病的关键生物标志物.
- 精确细分WMH对于监测疾病进展和治疗疗效至关重要.
研究的目的:
- 为了比较3D卷积神经网络和基于3D变压器模型的WMH细分的性能.
- 用有限的数据集和可比的计算资源来评估模型的有效性.
主要方法:
- 实现一个3D ResNet-50 U-Net (基于卷积) 和一个3D Swin变压器 (基于变压器) 模型.
- 在两个临床数据集的评估中,使用了Dice相似系数,病变细分,F1-Score和灵敏度指标.
主要成果:
- 与基于卷积的模型相比,基于变压器的模型在子相似度系数,损伤F1-Score和灵敏度方面表现出卓越的表现.
- DRLoc进一步提高了变压器的性能,即使使用有限的数据,也取得了强大的结果.
结论:
- 基于变压器的模型可以在小型数据集上优于WMH细分的既定卷积模型.
- 它们捕捉全球背景的能力使得它们适用于具有有限计算能力的临床环境.
