[医疗 AI ] 3D TransUNet:通过 Vision Transformer 推进医学图像分割

2024-08-24 15:04

本文主要是介绍[医疗 AI ] 3D TransUNet:通过 Vision Transformer 推进医学图像分割,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

[医疗 AI ]
3D TransUNet:通过 Vision Transformer 推进医学图像分割’
论文地址 - https://arxiv.org/pdf/2310.07781

0. 摘要

医学图像分割在推进医疗保健系统的疾病诊断和治疗计划中起着至关重要的作用。U 形架构,俗称 U-Net,已被证明在各种医学图像分割任务中非常成功。然而,U-Net 基于卷积的操作本身限制了其有效建模远程依赖关系的能力。为了解决这些限制,研究人员转向了以其全局自我注意机制而闻名的 Transformer 作为替代架构。一个流行的网络是我们以前的 TransUNet,它利用 Transformers 的自我关注来补充 U-Net 的本地化信息与全局背景。在本文中,我们通过构建最先进的 nnU-Net 架构,将 2D TransUNet 架构扩展到 3D 网络,并充分探索 Transformers 在编码器和解码器设计中的潜力。我们介绍了两个关键组件:1) 一个 Transformer 编码器,它对来自卷积神经网络 (CNN) 特征图的图像补丁进行标记,从而能够提取全局上下文,以及 2) 一个 Transformer 解码器,它通过利用候选提案和 U-Net 特征之间的交叉注意力来自适应地优化候选区域。我们的调查表明,不同的医疗任务受益于不同的建筑设计。Transformer 编码器在多器官分割中表现出色,其中器官之间的关系至关重要。另一方面,Transformer 解码器被证明更有利于处理小且具有挑战性的分割目标,例如肿瘤分割。广泛的实验展示了集成基于 Transformer 的编码器和解码器集成到 U 形医疗图像分割架构中。TransUNet 在各种医疗应用中优于竞争对手,包括多器官分割、胰腺肿瘤分割和肝血管分割。它明显超越了 BrasTS2021 挑战赛中的顶级解决方案。代码和模型可在 https://github.com/Beckschen/ 3D-TransUNet 上获得。

1. 引言

卷积神经网络 (CNN),尤其是全卷积网络 (FCN) [1],在医学图像分割领域已经崛起。在他们的各种迭代中,U-Net 模型 [2] 的特点是其对称编码器-解码器设计,并通过跳过连接进行了增强以改善细节保留,是许多研究人员的首选。基于这种方法,在各种医学成像任务中取得了显著进展。这些进步包括磁共振 (MR) 成像中的心脏分割 [3]、使用计算机断层扫描 (CT) 扫描 [4]-[7] 的器官描绘以及结肠镜检查记录中的息肉分割 [8]。

尽管 CNN 具有无与伦比的表示能力,但由于卷积运算的固有局部性,它们在建模远程关系时经常步履蹒跚。这种限制在患者间质地、形状和大小差异较大的病例中尤为明显。认识到这一局限性,研究界越来越被 Transformers 所吸引,由于它们在捕捉全球背景方面的天生能力,这些模型完全建立在注意力机制之上 [9]。在医学图像分割领域,我们之前与 TransUNet [10] 的合作证明了变压器的潜力。然而,我们研究中的一个关键观察表明,简单地用 Transformer 替换 CNN 编码器可能会导致次优结果。Transformer 将输入作为 1D 序列处理,并优先考虑全局上下文建模,从而无意中产生低分辨率的特征。直接对此类特征进行上采样无法重新引入丢失的粒度。相比之下,结合 CNN 和 Transformer 编码器的混合方法似乎更有前途。它有效地利用了 CNN 的高分辨率空间细节,同时还受益于 Transformers 提供的全局环境。

在这项研究中,我们将原始的 2D TransUNet 架构扩展到 3D 配置,更深入地研究了 Transformer 在编码和解码过程中的战略性整合。这一飞跃植根于 nnU-Net 框架的实力,其愿景是超越其既定标准。我们的 3D TransUNet 通过两个主要机制展开:首先,Transformer 编码器将 CNN 特征图中的图像块标记化,允许将全局自聚焦特征与从编码路径跳过的高分辨率 CNN 特征无缝融合,以实现精确定位。其次,Transformer Decoder 将传统的每像素分割重新定义为掩码分类,将预测候选者构建为可学习的查询。具体来说,这些查询通过协同交叉注意力与局部多尺度 CNN 特征来逐步完善。此外,我们在 Transformer 解码器中引入了粗到细的注意力细化,对于每个分割类,使用专注于预测前景的注意力机制精心细化初始候选集,确保每个迭代细化为后续为后续设定新标准,最终不断提高分割精度。

通过将 Transformer 集成到类似 U-Net 架构的编码器和解码器组件中,我们证明了我们的设计允许框架保留 Transformer 的优势,同时增强医学图像分割。有趣的是,多器官分割在很大程度上依赖于全局上下文信息(例如不同腹部器官之间的相互作用),倾向于使用 Transformer 编码器设计。相反,像小目标分割这样的任务,如肿瘤检测,通常从 Transformer 解码器设计中受益更多。我们广泛的实验表明,与各种医学图像分割任务中的竞争方法相比,我们的方法具有卓越的性能。总而言之,我们的贡献可以总结如下:

  • 我们引入了一个以 Transformer 为中心的医学图像分割框架,将自我注意整合到序列到序列预测上下文中,适用于 2D 和 3D 医学图像分割任务。
  • 我们彻底研究了将视觉变压器集成到 U 形分割架构的编码器和解码器中的影响,为定制设计提供见解,以应对不同的医学图像分割挑战。
  • 我们在各种医学图像分割任务上取得了最先进的结果,并发布了我们的代码库以鼓励进一步探索将 Transformer 应用于医疗应用。

网络结构:
在这里插入图片描述

这篇关于[医疗 AI ] 3D TransUNet:通过 Vision Transformer 推进医学图像分割的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1102811

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

AI绘图怎么变现?想做点副业的小白必看!

在科技飞速发展的今天,AI绘图作为一种新兴技术,不仅改变了艺术创作的方式,也为创作者提供了多种变现途径。本文将详细探讨几种常见的AI绘图变现方式,帮助创作者更好地利用这一技术实现经济收益。 更多实操教程和AI绘画工具,可以扫描下方,免费获取 定制服务:个性化的创意商机 个性化定制 AI绘图技术能够根据用户需求生成个性化的头像、壁纸、插画等作品。例如,姓氏头像在电商平台上非常受欢迎,

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

从去中心化到智能化:Web3如何与AI共同塑造数字生态

在数字时代的演进中,Web3和人工智能(AI)正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术,正相互交织,共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界,并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展,它基于去中心化的区块链技术,旨在创建一个开放、透明且用户主导的数字生态。不同于传统

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

AI行业应用(不定期更新)

ChatPDF 可以让你上传一个 PDF 文件,然后针对这个 PDF 进行小结和提问。你可以把各种各样你要研究的分析报告交给它,快速获取到想要知道的信息。https://www.chatpdf.com/

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti