本文介绍了一种新的多维统一的 Swin Transformer (MDU-ST) 模型，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 Swin-transformer 编码器中病灶解剖学的潜在模式，并通过微调来适应 2D 和 3D 输入。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，表现出显著改进。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。

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。