ConUNETR：一种用于三维微CT胚胎软骨分割的条件Transformer网络

研究软骨和骨结构的形态发育对于早期发现危及生命的骨骼畸形至关重要。胚胎软骨在数小时内经历快速的结构变化，引入了生物变异和形态转变，这限制了基于深度学习的跨多个胚胎年龄组推断的分割模型的泛化能力。为每个年龄组获取单独的模型成本高昂且效果较差，而直接迁移（预测训练期间未见过的年龄）由于形态转变而可能遭受性能下降。我们提出了一种新颖的基于Transformer的分割模型，该模型具有改进的生物先验，通过条件机制更好地提炼形态多样的信息。这使得单个模型能够准确预测多个年龄组的软骨。在小鼠软骨数据集上的实验表明，与其他竞争性分割模型相比，我们的新模型具有优越性。在具有不同突变的小鼠软骨数据集上的额外研究表明，我们的模型泛化能力良好，并有效捕捉了基于年龄的软骨形态模式。