BiTr-Unet：一种用于 MRI 脑肿瘤分割的 CNN-Transformer 组合网络
图像与视频处理
2022-07-18 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNNs）在自动分割 3D 医学图像上的器官或病灶方面取得了显著成功。近来，视觉 transformer 网络在 2D 图像分类任务中展现出卓越性能。与 CNNs 相比，transformer 网络因其自注意力算法而在提取长程特征方面具有引人注目的优势。因此，我们提出了一种 CNN-Transformer 组合模型，称为 BiTr-Unet，并针对多模态 MRI 扫描上的脑肿瘤分割作了特定修改。我们的 BiTr-Unet 在 BraTS2021 验证集上取得了良好性能，全肿瘤、肿瘤核心和增强肿瘤的中位 Dice 分数分别为 0.9335、0.9304 和 0.8899，中位 Hausdorff 距离分别为 2.8284、2.2361 和 1.4142。在 BraTS2021 测试集上，相应的 Dice 分数结果为 0.9257、0.9350 和 0.8874，Hausdorff 距离分别为 3、2.2361 和 1.4142。代码公开于 https://github.com/JustaTinyDot/BiTr-Unet。
引用
@article{arxiv.2109.12271,
title = {BiTr-Unet: a CNN-Transformer Combined Network for MRI Brain Tumor Segmentation},
author = {Qiran Jia and Hai Shu},
journal= {arXiv preprint arXiv:2109.12271},
year = {2022}
}
备注
Accepted by MICCAI BrainLes 2021