DATR：用于多域关键点检测的领域自适应Transformer
计算机视觉与模式识别
2022-03-15 v1
摘要
准确的解剖学关键点检测在医学图像分析中发挥着日益重要的作用。尽管现有方法取得了令人满意的性能，但它们大多基于CNN并专用于单一域（例如与特定解剖区域相关）。本工作中，我们利用Transformer对长程依赖建模的优势，提出一种用于多域关键点检测的通用模型，并开发了领域自适应Transformer模型，称为DATR，其在来自不同解剖结构的多个混合数据集上训练，能够检测来自这些解剖结构任意图像的关键点。所提出的DATR具有三个主要特点：（i）它是首个将Transformer作为编码器用于多解剖结构关键点检测的通用模型；（ii）我们设计了用于解剖感知关键点检测的领域自适应Transformer，其可有效扩展至任何其他Transformer网络；（iii）遵循先前研究，我们采用轻量级引导网络，促使Transformer网络检测更准确的关键点。我们在三个广泛使用的X射线关键点检测数据集上开展实验，共包含1588张图像与62个关键点，涵盖三种不同解剖结构（头、手、胸）。实验结果表明，我们所提DATR在大多数指标上达到了最先进性能，且远优于以往任何基于卷积的模型。代码将公开发布。
引用
@article{arxiv.2203.06433,
title = {DATR: Domain-adaptive transformer for multi-domain landmark detection},
author = {Heqin Zhu and Qingsong Yao and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2203.06433},
year = {2022}
}
备注
8 pages, 2 figures, 4 tables