基于具有归纳偏置多头自注意力的3D swin-transformer的肝脏血管分割
图像与视频处理
2021-11-23 v2 计算机视觉与模式识别
摘要
目的：从CT图像中分割肝脏血管是手术规划前不可或缺的环节，并在医学图像分析界引起了广泛关注。由于结构复杂且背景对比度低，自动肝脏血管分割仍极具挑战性。大多数相关研究采用FCN、U-net和V-net变体作为主干网络。然而，这些方法主要关注捕获多尺度局部特征，由于卷积算子有限的局部感受野，可能产生误分类体素。方法：我们提出一种鲁棒的端到端血管分割网络，称为归纳偏置多头注意力血管网络(IBIMHAV-Net)，通过将swin transformer扩展至3D并有效结合卷积与自注意力构建。实践中，我们引入体素级嵌入而非块级嵌入以定位精确的肝脏血管体素，并采用多尺度卷积算子获取局部空间信息。另一方面，我们提出归纳偏置多头自注意力，从初始化的绝对位置嵌入中学习归纳偏置的相对位置嵌入。基于此，可获得更可靠的查询与键矩阵。为验证模型的泛化性，我们在具有不同结构复杂度的样本上进行了测试。结果：我们在3DIRCADb数据集上开展实验。四个测试病例的平均dice系数与灵敏度分别为74.8%和77.5%，超越了现有深度学习方法及改进的图割方法。结论：所提模型IBIMHAV-Net提供了一种自动、准确的3D肝脏血管分割方案，其交错架构更好地利用了CT体数据中的全局与局部空间特征。该模型可进一步推广至其他临床数据。
引用
@article{arxiv.2111.03368,
title = {Hepatic vessel segmentation based on 3D swin-transformer with inductive biased multi-head self-attention},
author = {Mian Wu and Yinling Qian and Xiangyun Liao and Qiong Wang and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2111.03368},
year = {2021}
}
备注
20 pages, 6 figures