相关实验视频
Updated: Jan 7, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
721
使用视觉转换器和域适应的腹部动脉和静脉的三维细分
Panpan Wu1, Yurou Xu1, Ziping Zhao1
1College of Computer and Information Engineering, Tianjin Normal University, Tianjin 300387, People's Republic of China.
Physics in medicine and biology
|December 31, 2025
概括
这项研究引入了适应MAE-UNETR,用于在3DCT扫描中对腹部血管结构进行细分. 这种新的框架结合了面具自动编码器预训练和对抗域调整,以提高医疗图像细分的准确性和概括性.
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:
- 在CT扫描中精确细分3D腹部血管结构对于临床使用至关重要,但在概括和数据依赖方面面临挑战.
- 现有的方法在跨域特征对齐方面存在困难,需要大量的注释数据集.
研究的目的:
- 开发一个强大的基于变压器的框架,用于在3DCT扫描中准确和可概括的动脉和静脉细分.
- 整合自我监督的预训和对抗领域的适应,以增强医疗图像细分.
主要方法:
- 一个新的框架,自适应MAE-UNETR,利用面具自动编码器 (MAE) 在3DCT扫描上进行预训练,以进行层次特征学习.
- 将预训练的编码器转移到UNETR细分网络,并进行对抗域调整,以使源域和目标域之间的特征分布保持一致.
- 同时优化细分精度和域不变性在拟议的框架内.
主要成果:
- 适应MAE-UNETR在三个公共数据集 (AMOS22,BTCV,FLARE23) 中实现了最先进的性能.
- 在AMOS22.22上显示出高的子相似系数 (DSC) 分数:主动脉0.924分,下静脉0.892分.
- 在跨领域测试中表现出一致的优势,在BTCV上获得了0.917/0.888的DSC分数,在FLARE23.23上获得了0.931/0.906的DSC分数.
结论:
- 拟议的自适应MAE-UNETR框架显著提高了3DCT图像中的腹部血管细分的准确性和概括性.
- 整合MAE预培训和对抗域调整为医疗图像细分挑战提供了强大的解决方案.
- 该方法在各种数据集中展示了一致的性能,优于传统方法.
