基于Swin-Unet与多模态图像的腮腺MRI分割
图像与视频处理
2022-12-27 v2 计算机视觉与模式识别
机器学习
摘要
背景与目的：腮腺肿瘤约占头颈部肿瘤的2%至10%。腮腺肿瘤的术前定位、鉴别诊断以及随后适当治疗方案的选择至关重要。然而，这些肿瘤相对罕见且组织类型高度分散，基于术前放射组学对其肿瘤性病变进行精细鉴别诊断的需求尚未得到满足。近年来深度学习方法发展迅速，尤其是Transformer在计算机视觉中击败了传统卷积神经网络。许多基于Transformer的新网络已被提出用于计算机视觉任务。方法：本研究收集了多中心多模态腮腺MR图像。使用了基于Transformer的Swin-Unet。将短时反转恢复、T1加权和T2加权模态的MR图像组合为三通道数据以训练网络。我们实现了腮腺与肿瘤感兴趣区域的分割。结果：模型在测试集上的Dice相似系数为88.63%，平均像素准确率为99.31%，平均交并比为83.99%，豪斯多夫距离为3.04。随后本文设计了一系列对比实验以进一步验证算法的分割性能。结论：实验结果表明，我们的方法在腮腺及肿瘤分割上取得了良好效果。基于Transformer的网络在医学图像领域优于传统卷积神经网络。
引用
@article{arxiv.2206.03336,
title = {Parotid Gland MRI Segmentation Based on Swin-Unet and Multimodal Images},
author = {Zi'an Xu and Yin Dai and Fayu Liu and Siqi Li and Sheng Liu and Lifu Shi and Jun Fu},
journal= {arXiv preprint arXiv:2206.03336},
year = {2022}
}