Slim UNETR++:一种轻量级的3D医学图像细分网络,用于医学图像分析
Jiawei Jin1, Sen Yang1, Jigang Tong2
1School of Electrical Engineering and Automation, Tianjin University of Technology, Tianjin, 300384, China.
Medical & biological engineering & computing
|June 2, 2025
概括
我们开发了Slim UNETR++,这是一个轻量级但准确的模型,结合了卷积神经网络 (CNN) 和变压器的优势,用于医疗图像细分. 与现有方法相比,这种新模型显著提高了性能,并减少了尺寸.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
- 医疗保健中的人工智能
背景情况:
- 卷积神经网络 (CNN) 模型,如U-Net和基于变压器的方法,在医学图像细分方面表现有前途.
- 目前的变压器方法在计算上非常密集,特别是在3D成像方面,因此需要高效,轻量级的模型.
- 现有的模型面临着图形处理器 (GPU) 硬件限制的挑战.
研究的目的:
- 通过整合CNN和Transformer架构来设计一个高精度,轻量级的医疗图像细分模型.
- 通过整合医疗ConvNeXt (MedNeXt),空间通道注意力 (SCA) 和高效配对注意力 (EPA) 模块来引入Slim UNEt TRansformers++ (Slim UNETR++).
- 用准确度和吞吐量指标来评估模型的性能.
主要方法:
- 开发了Slim UNETR++,这是基于Slim UNETR的混合CNN-变压器模型.
- 综合医疗服务 (MedNeXt),空间通道注意力 (SCA) 和高效配对注意力 (EPA) 模块.
- 使用了一个Slim UNETR++块,具有稀疏的自我注意力和低成本的表示聚合,以实现高效的信息交换.
主要成果:
- 与其他模型相比,Slim UNETR++表现出卓越的精度和较小的模型尺寸.
- 在BraTS2021数据集上实现了93.12%的子准确率和95%的豪斯多夫距离 (HD95) 4.23mm.
- 在关键细分指标上表现优于像Swin UNETR这样的主流方法.
结论:
- Slim UNETR++为医疗图像细分提供了高精度,轻量级的解决方案.
- 混合方法有效地结合了CNN和变压器的优势,以提高性能.
- 该模型解决了3D医学成像中的计算挑战,为更高效的AI应用铺平了道路.
