BriefGPT - AI 论文速递
·
丑小鸭还是天鹅：一种分层四重网络结构及病人个体特征挖掘用于改进皮肤病变分类
💡
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模型，称为多维统一的Swin Transformer (MDU-ST)，用于3D病灶分割。该模型通过自我监督的先验任务利用大量未标记的3D病灶体积来学习Swing-transformer编码器中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。该方法可用于进行自动化的3D病灶分割以辅助放射组学和肿瘤生长建模研究。该网络的性能通过Dice相似系数(DSC)和Hausdorff距离(HD)在一个内部的3D病灶数据集上进行评估，其中包含来自多个解剖位置的593个病灶。
🎯
关键要点
- 准确的CT扫描病灶3D分割对于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(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。
- 模型引入三阶段框架：1) 自我监督任务学习未标记3D病灶体积的解剖模式；2) 微调Swin-transformer进行2D病灶分割；3) 微调Swin-transformer进行3D病灶分割。
- 网络性能通过Dice相似系数(DSC)和Hausdorff距离(HD)在内部3D病灶数据集上评估，包含593个病灶。
- 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。
➡️
