SegStitch: 多维 Transformer 用于强大且高效的医学图像分割
原文中文，约800字，阅读约需2分钟。发表于：。通过将 transformers 与降噪 ODE 块集成，我们提出了 SegStitch 创新架构，利用这种方法在 BTCV 和 ACDC 数据集上取得了显著的性能改进，并且相对于 UNETR 模型减少了参数数量 36.7% 和 FLOPS 数量 10.7%，具有潜在应用于临床实践的前景。
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。该模型通过自我监督的先验任务和微调来学习病灶解剖学的潜在模式，并在内部数据集上表现出显著改进。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。
