TDFormer:用于3D医疗图像分割的自上而下的代币生成

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 准确的医学图像细分对于有效的治疗计划至关重要.
• 目前的基于变压器的方法使用固定的网格,导致效率低下的图像区域的低效处理.
• 图像令牌的重要性不平等,需要适应性计算资源配置.

研究的目的:

• 引入一种基于变压器的新型细分框架,即上下变压器 (TDFormer).
• 为高效的医疗图像细分开发一个空间适应的代币生成方案.
• 加强对关键图像区域 (如瘤) 的计算重点,以实现更高分辨率的处理.

主要方法:

• 拟议的TDFormer框架具有空间自适应的令牌生成方案.
• 整合了三个关键组件:注意力计算,代币分割和代币融合.
• 逐渐融合冗余的背景令牌,以集中在突出地区.

主要成果:

• 与最先进的方法相比,TDFormer表现出卓越的性能.
• 在公开可用的数据集上实现了高精度:BTCV挑战,LiTS和BraTS 2020.
• 实验分析证实了TDFormer中的每个组件的稳定性和有效性.

结论:

• TDFormer为医疗图像细分提供了强大而有效的解决方案.
• 空间自适应令牌生成方案显著提高了计算效率.
• 这种方法使医疗图像中关键细节的处理更加集中.