神经图像分割的变压器:范围审查
Maya Iratni1, Amira Abdullah1, Mariam Aldhaheri1
1Department of Computer Science and Software Engineering, United Arab Emirates University, Al Ain, United Arab Emirates.
Journal of medical Internet research
|January 29, 2025
概括
变压器在自动化神经影像对神经疾病的细分方面表现有前途. 混合型号,特别是视觉变压器,在使用MRI进行脑瘤细分方面表现出色,尽管计算成本等挑战仍然存在.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 自动神经成像细分对于诊断和治疗神经疾病至关重要.
- 手动细分是劳动密集型的,容易出现错误.
- 变压器为自动细分提供了强大的深度学习解决方案.
研究的目的:
- 系统地审查和评估用于神经成像细分的变压器模型.
- 综合当前关于变压器在现场应用的文献.
主要方法:
- 在主要数据库 (Scopus,IEEE Xplore,PubMed,ACM数字图书馆) 进行系统的文献搜索,从2019-2023年开始.
- 包括同行评审的期刊和会议论文,以变压器为基础的对人类大脑成像数据的细分.
- 排除非神经成像数据,原始大脑信号和脑电图数据.
- 关于图像模式,数据集,条件,模型和指标的提取数据的叙述综合.
主要成果:
- 在1246个出版物中,有67个符合纳入标准,并将在2022年激增.
- 超过三分之二的研究集中在使用磁共振成像 (MRI) 的脑瘤细分上.
- 混合卷积神经网络-转换器架构,特别是视觉转换器,是普遍存在的,并显示出高性能.
- 子得分是最常见的评估指标,研究报告了更好的准确性和捕捉本地/全球特征的能力.
结论:
- 变压器,特别是混合CNN-变压器模型,越来越多地被采用用于神经成像细分,特别是用于脑瘤.
- 目前的模型展示了最先进的性能,但在计算成本和过度装配方面面临限制.
- 除了脑瘤之外,对数据集的多样化对于更广泛的临床适用性至关重要.
- 需要进一步的研究来优化变压器架构和为临床使用提供培训,这可能会彻底改变大脑MRI细分.
