相关实验视频
Updated: Aug 17, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.4K
LW-CTrans:CNN和变压器的轻量化混合网络,用于3D医疗图像细分
Hulin Kuang1, Yahui Wang1, Xianzhen Tan1
1Hunan Provincial Key Lab on Bioinformatics, School of Computer Science and Engineering, Central South University, Changsha 410000, China.
Medical image analysis
|March 19, 2025
概括
一个新的轻量级混合网络,LW-CTrans,通过结合卷积神经网络 (CNN) 和变压器,有效地对3D医疗图像中的小目标进行细分,以更少的参数优于现有方法.
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:
- 卷积神经网络 (CNN) 和变压器在3D医疗图像细分方面表现有前途.
- 由于参数数量很高,现有的模型难以对小目标进行细分.
- 对于小型医疗机构,需要有效和准确的细分方法.
研究的目的:
- 开发一种新的轻量化混合网络 (LW-CTrans) 用于3D医疗图像细分.
- 增强全球和本地特征表示能力.
- 改善医疗图像中小目标的细分.
主要方法:
- 为可变分辨率图像输入设计了一个动态干.
- 提出了一个多路径卷积 (MPConv) 块,以实现高效的局部特征提取.
- 引入了基于多视图聚合的变压器 (MVPFormer) 来进行联合全球和本地特征学习,将3D特征投射到2D子空间.
- 在编码器的早期阶段使用了MPConv,在后期阶段使用了MVPFormer.
- 开发了一个多阶段功能融合模块,用于参数效率高的解码器.
主要成果:
- 在LW-CTrans中,达到了62.35±19.51% (中风病变),64.69±20.58% (胰腺癌) 和83.75±15.77% (脑瘤) 的Dice得分.
- 在三个细分任务中超越了16种最先进的方法.
- 保持低参数数量 (2.08M-2.21M),与轻量级方法相比较.
- 在细分小病变方面表现出卓越的性能.
结论:
- 拟议的LW-CTrans有效地解决了当前3D医学图像细分模型的局限性.
- 结合CNN和变压器的混合方法为细分小型和具有挑战性的目标提供了强大的解决方案.
- LW-CTrans为医疗图像分析提供了一种轻量级但高性能的替代方案.
