BriefGPT - AI 论文速递
·
多尺度精化的三元约束变换器在放射治疗中的剂量预测
💡
原文中文，约800字，阅读约需2分钟。
📝
内容提要
介绍了多维统一的Swin Transformer（MDU-ST）模型，用于肿瘤病灶的3D分割。通过自我监督的先验任务和微调学习病灶解剖学模式，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。
- 提出了一种新模型：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。
- 引入三阶段框架：1) 自我监督学习未标记的3D病灶体积；2) 微调Swin-transformer进行2D病灶分割；3) 微调Swin-transformer进行3D病灶分割。
- 通过Dice相似系数(DSC)和Hausdorff距离(HD)评估MDU-ST在内部3D病灶数据集上的性能。
- MDU-ST相比竞争模型表现出显著改进，适用于自动化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
➡️
