基于层次稀疏抽样和残差变换器的 CT 图像快速多器官精细分割
计算机视觉与模式识别
2025-11-12 v1
摘要
3D 医学图像的多器官分割是医学自动化管道中的基础任务，具有重要应用价值。尽管深度学习已取得优异性能，但使用神经网络逐体素对整个 3D 体素进行分割的计算时间和内存消耗巨大。已开发分类器作为特定感兴趣点情况下的替代方案，但速度与准确率之间的权衡仍是问题。因此，我们提出一种新颖的快速多器官分割框架，采用层次稀疏抽样和残差变换器。与整体体积分析相比，层次稀疏抽样策略可成功减少计算时间，同时通过多分辨率水平保留有意义的层次上下文。残差变换器分割网络的体系结构可从稀疏描述子中提取并组合不同层次信息，同时保持低计算成本。在包含 10,253 张 CT 图像的数据集和公共数据集 TotalSegmentator 上，所提方法成功改善了定性和定量分割性能，相较于当前快速器官分类器具有快速度，约为 CPU 硬件上的 ~2.24 秒。实现实时精细器官分割的潜力得到了提示。
引用
@article{arxiv.2511.08509,
title = {Fast Multi-Organ Fine Segmentation in CT Images with Hierarchical Sparse Sampling and Residual Transformer},
author = {Xueqi Guo and Halid Ziya Yerebakan and Yoshihisa Shinagawa and Kritika Iyer and Gerardo Hermosillo Valadez},
journal= {arXiv preprint arXiv:2511.08509},
year = {2025}
}
备注
EMBC 2025 oral