BriefGPT - AI 论文速递
·
用于自动 3D 核心心脏图像重新定向和分割的多尺度空间变换器 U-Net
💡
原文中文，约800字，阅读约需2分钟。
📝
内容提要
本文介绍了一种新的多维统一的 Swin Transformer (MDU-ST) 模型，用于 3D 病灶分割。该模型通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式，并通过微调来适应 2D 和 3D 输入。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估，表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。
🎯
关键要点
- 准确的 CT 扫描病灶 3D 分割对于病灶生长动力学的建模至关重要。
- 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，导致未标记的 3D 体积和稀缺的标记的 3D 体积。
- 提出了一种新模型，称为多维统一的 Swin Transformer (MDU-ST)，用于 3D 病灶分割。
- MDU-ST 由偏移窗口变换器 (Swin-transformer) 编码器和卷积神经网络 (CNN) 解码器组成，适应 2D 和 3D 输入。
- 引入了三阶段框架：1) 利用未标记的 3D 病灶体积学习解剖学模式；2) 微调编码器以执行 2D 病灶分割；3) 微调编码器以执行 3D 病灶分割。
- 网络性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在内部 3D 病灶数据集上评估，表现出显著改进。
- MDU-ST 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。
- 本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。
🏷️
标签
➡️
