CIS-UNet: 通过上下文感知的移位窗口自注意力在计算机断层扫描血管造影中进行主动脉多类分割
图像与视频处理
2024-01-25 v1 人工智能
计算机视觉与模式识别
计算机科学与博弈论
机器学习
摘要
医学影像和血管内移植术的进步促进了主动脉疾病的微创治疗。主动脉及其分支的精确 3D 分割对于干预措施至关重要，因为不准确的分割可能导致错误的手术规划和移植物构建。以往的方法将主动脉分割简化为二值图像分割问题，忽略了区分各个主动脉分支的必要性。在本文中，我们介绍了上下文注入 Swin-UNet (CIS-UNet)，这是一个深度学习模型，旨在对主动脉及其十三个分支进行多类分割。CIS-UNet 结合了卷积神经网络 (CNN) 和 Swin Transformer 的优势，采用了一个分层编码器-解码器结构，包括一个 CNN 编码器、对称解码器、跳跃连接，以及一个作为瓶颈块的新型上下文感知移位窗口自注意力 (CSW-SA) 模块。值得注意的是，CSW-SA 引入了一种不同于传统 Swin Transformer 的块合并层独特用法。它有效地压缩了特征图，提供了全局空间上下文，并在应用于瓶颈层时提升了性能，与 Swin Transformer 相比，提供了优越的计算效率和分割精度。我们在 44 名患者的计算机断层扫描 (CT) 扫描上训练了我们的模型，并在 15 名患者上进行了测试。CIS-UNet 优于仅基于 Swin Transformer 的最先进的 SwinUNetR 分割模型，取得了更优的平均 Dice 系数 0.713（对比 0.697），以及平均表面距离 2.78 mm（对比 3.39 mm）。CIS-UNet 优越的 3D 主动脉分割为规划血管内治疗提供了更高的精度和优化。我们的数据集和代码将公开。
引用
@article{arxiv.2401.13049,
title = {CIS-UNet: Multi-Class Segmentation of the Aorta in Computed Tomography Angiography via Context-Aware Shifted Window Self-Attention},
author = {Muhammad Imran and Jonathan R Krebs and Veera Rajasekhar Reddy Gopu and Brian Fazzone and Vishal Balaji Sivaraman and Amarjeet Kumar and Chelsea Viscardi and Robert Evans Heithaus and Benjamin Shickel and Yuyin Zhou and Michol A Cooper and Wei Shao},
journal= {arXiv preprint arXiv:2401.13049},
year = {2024}
}