脑卒中分割的深度模型：复杂架构是否总能表现更优？
图像与视频处理
2024-11-19 v2 计算机视觉与模式识别
机器学习
摘要
脑卒中分割通过提供关于受影响脑区及损伤范围的空间信息，在卒中患者的诊断和治疗中起着至关重要的作用。精确分割卒中病灶是一项具有挑战性的任务，因为传统手动技术耗时且易出错。最近，先进的深度模型被引入用于通用医学图像分割，在特定数据集上评估时展现出超越许多现有最优网络的有前景的结果。随着视觉 Transformer 的出现，基于它们的多种模型被提出，而另一些模型则旨在基于传统卷积层设计更好的模块以提取类似 Transformer 的长程依赖。对于所有分割案例，是否需要此类高级设计才能达到最佳结果，这一问题仍未得到解答。在本研究中，我们选取了四种近期提出的深度模型并评估其在脑卒中分割上的性能：一种纯 Transformer 架构（DAE-Former）、两种在设计中含有注意力机制的高级 CNN 模型（LKA 和 DLKA）、一种融合 CNN 与 Transformer 的高级混合模型（FCT），以及众所周知的基于给定数据配置的自适应 nnUNet 框架。我们在两个公开数据集上检验了它们的性能，发现 nnUNet 以最简单的设计取得了最佳结果。揭示 Transformer 对此类变异性的鲁棒性问题，是其性能较弱的潜在原因。此外，nnUNet 的成功强调了预处理和后处理技术在提升分割结果方面的显著影响，超越了仅关注架构设计的思路。
引用
@article{arxiv.2403.17177,
title = {Deep models for stroke segmentation: do complex architectures always perform better?},
author = {Yalda Zafari-Ghadim and Ahmed Soliman and Yousif Yousif and Ahmed Ibrahim and Essam A. Rashed and Mohamed Mabrok},
journal= {arXiv preprint arXiv:2403.17177},
year = {2024}
}