利用 Transformer 改进跨数据集脑组织分割
图像与视频处理
2023-02-02 v2 计算机视觉与模式识别
摘要
脑组织分割已通过基于体素的形态学测量在量化 MRI 数据以及突出脑内各种病症相关的细微结构变化方面展现出巨大效用。然而，手动分割极为耗时费力，而由于 MRI 采集固有的特性，自动化方法一直面临困难，因此亟需一种有效的分割工具。尽管深度卷积神经网络（CNNs）近期在脑组织分割上取得成功，但许多此类方案对新数据集的泛化能力不佳，而这对可靠解决方案至关重要。Transformer 在自然图像分割中已取得成功，并因其能捕捉输入中的长距离关系（CNN 的局部感受野在此方面不足）而近期被应用于 3D 医学图像分割任务。本研究提出了一种专为脑组织分割设计的 CNN-Transformer 混合新架构。我们在四个多站点 T1w MRI 数据集上验证了模型性能，涵盖不同厂商、场强、扫描参数、时间点和神经精神疾病。在所有情形下，我们的模型均实现了最佳的泛化性与可靠性。我们的方法本身具有鲁棒性，可作为脑相关 T1w MRI 研究的有价值工具。TABS 网络的代码见：https://github.com/raovish6/TABS。
引用
@article{arxiv.2201.08741,
title = {Improving Across-Dataset Brain Tissue Segmentation Using Transformer},
author = {Vishwanatha M. Rao and Zihan Wan and Soroush Arabshahi and David J. Ma and Pin-Yu Lee and Ye Tian and Xuzhe Zhang and Andrew F. Laine and Jia Guo},
journal= {arXiv preprint arXiv:2201.08741},
year = {2023}
}