DualSwinUnet++: 用于 PTMC 分割的基于双解码器的增强型 Swin-Unet 架构
图像与视频处理
2025-07-24 v3 人工智能
计算机视觉与模式识别
摘要
精确分割在超声引导射频消融 (RFA) 中进行的原纤状腺微癌 (PTMC)，对于有效治疗至关重要，但由于声学伪影、病灶较小以及解剖可变性，仍然具有挑战性。本研究提出了 DualSwinUnet++，一种旨在通过整合甲状腺腺体上下文来增强 PTMC 分割的双解码器变换器架构。DualSwinUnet++ 为每个解码器采用独立的线性投影头，并通过拼接和变换将第一个（甲状腺）解码器的中间特征传递给第二个（PTMC）解码器，采用残差信息流机制。这些设计选择允许模型在不共享梯度干扰的情况下，显式地以腺体形态学为条件来进行肿瘤预测。我们在包含 691 张标注 RFA 图像的临床超声数据集上进行训练，并对比了领先的模型进行评估。实验结果表明，DualSwinUnet++ 在 Dice 和 Jaccard 指数上取得优异成绩，同时保持亚 200ms 的推理延迟。结果表明，该模型适合近实时手术辅助，其在处理困难 PTMC 案例时能有效提高分割精度。
引用
@article{arxiv.2410.18239,
title = {DualSwinUnet++: An Enhanced Swin-Unet Architecture With Dual Decoders For PTMC Segmentation},
author = {Maryam Dialameh and Hossein Rajabzadeh and Moslem Sadeghi-Goughari and Jung Suk Sim and Hyock Ju Kwon},
journal= {arXiv preprint arXiv:2410.18239},
year = {2025}
}