头颈肿瘤自动分割：Transformer有多强大？
图像与视频处理
2022-05-13 v2 计算机视觉与模式识别
机器学习
摘要
癌症是全球主要死因之一，头颈（H&N）癌是最为普遍的类型之一。正电子发射断层扫描与计算机断层扫描被用于检测、分割和量化肿瘤区域。临床上，肿瘤分割极为耗时且易出错。机器学习，尤其是深度学习，可辅助自动化此过程，产生与临床医生同样准确的结果。本文中，我们研究了一种基于视觉Transformer的方法以自动勾画H&N肿瘤，并将其结果与领先的基于卷积神经网络（CNN）的模型进行比较。我们使用来自CT与PET扫描的多模态数据执行分割任务。我们表明，基于Transformer模型的方案有潜力取得与基于CNN模型相当的结果。通过交叉验证，该模型取得平均Dice相似系数（DSC）0.736、平均精确率0.766和平均召回率0.766。这仅比2020年竞赛获胜模型（内部交叉验证）的DSC分数低0.021。在测试集上，模型表现类似，DSC为0.736、精确率0.773、召回率0.760，仅比2020年竞赛获胜模型的DSC低0.023。本工作表明，通过基于Transformer的模型进行癌症分割是一个值得进一步探索的有前景的研究方向。
引用
@article{arxiv.2201.06251,
title = {Automatic Segmentation of Head and Neck Tumor: How Powerful Transformers Are?},
author = {Ikboljon Sobirov and Otabek Nazarov and Hussain Alasmawi and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2201.06251},
year = {2022}
}
备注
8 pages, 2 figures (3 more figures in Appendix), 2 tables; accepted to MIDL conference