BriefGPT - AI 论文速递
·
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。
📝
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。
🎯
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，导致大量未标记的 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 由偏移窗口变换器编码器和卷积神经网络解码器组成，能够适应 2D 和 3D 输入。
- 引入了一个三阶段框架：1) 自我监督学习未标记的 3D 病灶体积；2) 微调以执行 2D 病灶分割；3) 微调以执行 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 3D 病灶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。
- 本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。
➡️
