通过令牌级表示学习增强医学图像的3D变压器分割模型
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了医学图像处理中Swin Transformer模型在无额外数据集自监督预训练下的语义分割性能提升问题。提出了一种新的令牌级表示学习损失函数，通过最大化不同增广视图之间的令牌嵌入一致性，显著降低了代表性崩溃现象，并首次引入旋转与恢复机制以维持特征稳定性。实验表明，所提出的方法在公共医学分割数据集上优于现有最先进的预训练方法，具有重要的临床应用潜力。
本研究提出了一种新的方法来提高医学图像处理中Swin Transformer模型的语义分割性能，通过引入新的损失函数和旋转恢复机制，在公共医学分割数据集上表现优于现有的预训练方法，具有临床应用潜力。
