基于残差 Transformer 集成学习的大脑肿瘤分割
图像与视频处理
2023-08-02 v1 计算机视觉与模式识别
机器学习
摘要
由于高度复杂形状与纹理的肿瘤难以勾画，且常用的 U-Net 架构存在局限，脑肿瘤分割是一个活跃的研究领域。不同神经架构的组合是近期主流研究方向，尤其是 U-Net 与 Transformer 的组合，因其固有的注意力机制与逐像素标注能力。与以往工作不同，本文提出一种新颖的网络架构，将 Transformer 集成到自适应 U-Net 中以合理计算成本提取 3D 体积上下文。我们进一步添加残差连接以防止信息流退化，并探索集成方法，因为所评估模型在不同病例与子区域上各有优势。在 BraTS 2021 数据集（3D）上，我们的模型取得 87.6% 的平均 Dice 分数，优于最先进方法，展示了结合多种架构以优化脑肿瘤分割的潜力。
引用
@article{arxiv.2308.00128,
title = {Ensemble Learning with Residual Transformer for Brain Tumor Segmentation},
author = {Lanhong Yao and Zheyuan Zhang and Ulas Bagci},
journal= {arXiv preprint arXiv:2308.00128},
year = {2023}
}
备注
9 pages, 4 figures, ISBI 2023