BriefGPT - AI 论文速递
·
密集残差 Swin Transformer 用于连续无深度限制超声成像
💡
原文中文，约800字，阅读约需2分钟。
📝
内容提要
介绍了一种新的多维统一的 Swin Transformer (MDU-ST) 模型，用于肿瘤病灶的 3D 分割。该模型通过三个阶段的训练，能够适应 2D 和 3D 输入，并在同一编码器中学习语义信息。在内部数据集上的评估中，该模型表现出显著改进，可用于自动化的 3D 病灶分割和肿瘤生长建模研究。
🎯
关键要点
-
准确的 CT 扫描病灶 3D 分割对病灶生长动力学建模至关重要。
-
放射科医生通常仅在最大横截面面积的轴位切片上勾画病灶，导致大量未标记的 3D 体积和稀缺的标记 3D 体积。
-
提出了一种新模型：多维统一的 Swin Transformer (MDU-ST)，用于 3D 病灶分割。
-
MDU-ST 由偏移窗口变换器编码器和卷积神经网络解码器组成，适应 2D 和 3D 输入。
-
引入三阶段框架：1) 利用未标记的 3D 病灶体积学习解剖学模式；2) 微调编码器进行 2D 病灶分割；3) 微调编码器进行 3D 病灶分割。
-
通过 Dice 相似系数和 Hausdorff 距离评估网络性能，MDU-ST 在内部数据集上表现显著改进。
-
该方法可用于自动化的 3D 病灶分割，辅助放射组学和肿瘤生长建模研究。
-
论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。
➡️
