BriefGPT - AI 论文速递
·
RT-SRTS：单次 X 射线投影中的角度无关实时三维重建和肿瘤分割
💡
原文中文，约800字，阅读约需2分钟。
📝
内容提要
本研究提出了一种新的多维统一的 Swin Transformer 模型，用于 3D 病灶分割。该模型利用自我监督的先验任务学习病灶解剖学的潜在模式，并在同一编码器中学习相应的语义信息。该方法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。
🎯
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。
-
本研究提出了一种新模型，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。
-
模型引入三阶段框架：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 相似系数和 Hausdorff 距离在内部 3D 病灶数据集上评估，表现出显著改进。
-
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。
➡️
