MedScale-Former:用于医疗图像细分的自导多尺度变压器

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:

• 准确的医学图像细分对于自动化临床决策至关重要.
• 监督深度学习方法需要大量的标记数据,这构成了重大挑战.
• 现有的方法在数据稀缺和边界定义方面扎.

研究的目的:

• 为医疗图像细分开发一种新的自我监督深度学习方法.
• 克服数据饥饿监督方法的局限性.
• 为了提高细分精度和边界定义,而不需要大量的手动标签.

主要方法:

• 一个双分支的变压器网络,在两个尺度上运行,以捕获全球和本地信息.
• 利用尺度之间的语义依赖关系来实现尺度间的一致性 (自我监督学习).
• 整合空间稳定性损失以进行自我监督的内容聚类和选择性内核区域关注模块以进行边界精细化.

主要成果:

• 与最先进的方法相比,在细分任务中表现优越.
• 实现了皮肤病变,肺部器官和多发性骨髓瘤血细胞的准确细分.
• 提出的方法有效地减少了对大型标记数据集的需求.

结论:

• 新型双分支变压器网络为医疗图像细分提供了强大的自我监督方法.
• 这种方法显著提高了细分精度和边界定义.
• 它为临床应用提供了可行的解决方案,在临床应用中,标记数据很少.