评估基于Transformer的语义分割网络在病理图像分割中的性能
图像与视频处理
2021-09-23 v2 计算机视觉与模式识别
摘要
组织病理学在癌症诊断中起着至关重要的作用。随着卷积神经网络（CNN）的快速发展，在计算机辅助病理图像分析中已开发出多种基于CNN的自动化病理图像分割方法。过去几年中，Transformer神经网络（Transformer）作为一种新的深度学习范式，展现出捕捉整幅图像全局长距离依赖关系的独特优势。这一优势对于探索空间异质性的病理图像颇具吸引力。然而，迄今为止极少有研究系统地评估当前基于Transformer的方法在病理图像分割中的表现。为评估Transformer分割模型在全切片图像（WSI）上的性能，我们使用广泛使用的PAIP肝脏组织病理学数据集，对六种流行的基于Transformer的模型在肿瘤分割任务上进行了定量评估。为进行更全面的分析，我们还将基于Transformer的模型与六种主要传统基于CNN的模型进行了比较。结果表明，基于Transformer的模型总体优于基于CNN的模型。具体而言，Segmenter、Swin-Transformer和TransUNet——均为基于Transformer的模型——在十二个被评估模型中表现最佳。
引用
@article{arxiv.2108.11993,
title = {Evaluating Transformer-based Semantic Segmentation Networks for Pathological Image Segmentation},
author = {Cam Nguyen and Zuhayr Asad and Yuankai Huo},
journal= {arXiv preprint arXiv:2108.11993},
year = {2021}
}