ETDformer:一种有效的变压器块,用于对内出血进行细分

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 神经成像是一种神经成像.

背景情况:

• 脑内出血 (ICH) 细分对于临床决策至关重要.
• U-Net模型在局部特征方面表现出色,但在复杂的ICH结构方面扎.
• 变压器改善了全球环境,但面临着细节细分和边界保护的挑战.

研究的目的:

• 为ICH开发一个集成本地和全球特征提取的先进细分模型.
• 提高医疗图像中病变划界和边界定义的准确性.
• 为了提高脑内出血的诊断能力.

主要方法:

• 提出了一种结合U-Net和变压器架构的新型模型.
• 引入了一个外部存储模块 (ES模块) 以实现切片间特征相似性.
• 实现了自上而下的注意力 (TDAttention) 机制和边界DoU损失,以实现精确的细分.

主要成果:

• 获得了高的子相似系数 (DSC) 评分:IHSAH的91.29%和BHSD的85.10%.
• 在两个数据集上,表现优于第二最佳方法 (级联优点) 超过2%.
• 证明了病变细节的增强可视化,提高了诊断准确度.

结论:

• 拟议的模型有效地以卓越的准确性和细节对脑内出血进行细分.
• 地方和全球特征学习的整合解决了现有方法的局限性.
• 这种方法为改善ICH的临床诊断和治疗计划提供了显著的潜力.