基于预训练Swin-UNet与平行交叉注意力的多域影像腺癌不典型肿瘤分割
图像与视频处理
2024-09-25 v1 计算机视觉与模式识别
摘要
计算机辅助病理分析一直是肿瘤诊断的黄金标准，但领域迁移是组织病理学中的一个重大问题。它可能由解剖结构的差异、组织准备和影像过程的变异引起，对分割模型的鲁棒性构成挑战。本文提出了一种框架，包括预训练编码器和增强了平行交叉注意力模块的Swin-UNet架构，以解决腺癌不典型肿瘤在不同器官和不同扫描仪之间的分割问题，考虑到形态变化和扫描仪引起的领域变异。在Cross-Organ和Cross-Scanner腺癌不典型肿瘤分割挑战数据集上的实验结果显示，我们的框架在最终挑战测试集上分别实现了0.7469的交叉器官轨道和0.7597的交叉扫描仪轨道分割得分，有效应对多样化的影像条件，提高了在不同域条件下的分割准确性。
引用
@article{arxiv.2409.15501,
title = {Adenocarcinoma Segmentation Using Pre-trained Swin-UNet with Parallel Cross-Attention for Multi-Domain Imaging},
author = {Abdul Qayyum and Moona Mazher Imran Razzak and Steven A Niederer},
journal= {arXiv preprint arXiv:2409.15501},
year = {2024}
}
备注
6 pages 2 figures