利用局部自注意力和全局体积混合提升3D医学图像分割边界区域性能
图像与视频处理
2024-10-22 v1 计算机视觉与模式识别
摘要
体积医学图像分割是医学图像分析中的一个基本问题，旨在对给定的3D体积医学图像进行高精度的体素级分类。在本工作中，我们提出了一种新型的层次化编码器-解码器框架，旨在显式捕捉局部和全局依赖关系，以实现3D体积医学图像分割。该框架利用基于局部体积的自注意力机制在高分辨率下编码局部依赖，引入新颖的体积MLP混合器在低分辨率特征表示中捕捉全局依赖。该体积MLP混合器学习更好的体积特征表示之间的关联。这些显式的局部和全局特征表示有助于更好地学习器官形状边界特征。在三个不同数据集上的大量实验表明，所提出的方法在性能上优于当前最先进的方法。在挑战性的Synapse多器官数据集上，所提出的方法在HD95评估指标上相较于当前最先进方法实现了绝对3.82%的提升（在MSD肝脏和胰腺肿瘤数据集上也表现出类似的改进模式）。我们还提供了对近期计算机视觉文献中近似架构设计选择进行详细比较的分析，通过将其适用于3D医学图像分割问题。最后，我们在ZebraFish 3D细胞膜数据集上进行实验，表明所提出的vMixer模型在具有有限训练数据的挑战性3D细胞实例分割任务中具有卓越的迁移学习能力，其中准确的边界预测对于区分单个细胞实例至关重要。
引用
@article{arxiv.2410.15360,
title = {Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing},
author = {Daniya Najiha Abdul Kareem and Mustansar Fiaz and Noa Novershtern and Jacob Hanna and Hisham Cholakkal},
journal= {arXiv preprint arXiv:2410.15360},
year = {2024}
}