TransCC：用于冠状动脉 CCTA 分割的 Transformer 网络
图像与视频处理
2023-10-10 v1 计算机视觉与模式识别
摘要
冠状动脉计算机断层扫描血管造影（CCTA）图像的准确分割对冠心病的早期检测与治疗具有重要临床价值。Transformer 利用自注意力机制，已在医学图像处理领域展现出令人满意的性能。然而，由于（1）固定尺寸图像块嵌入对目标局部结构的破坏，以及（2）全局与局部特征在医学图像分割任务中的关键作用，冠状动脉分割任务仍存在挑战。为应对这些挑战，我们提出了一种深度学习框架 TransCC，有效融合 Transformer 与卷积神经网络进行 CCTA 分割。首先，我们引入特征交互提取（FIE）模块以捕获图像块特征，从而避免原始方法中固有的语义信息损失。其次，我们设计多层增强感知机（MEP）以增强对空间维度中局部信息的注意力，作为自注意力机制的补充。实验结果表明，TransCC 在分割性能上优于现有方法，平均 Dice 系数达 0.730，平均交并比（IoU）达 0.582。这些结果凸显了 TransCC 在 CCTA 图像分割中的有效性。
引用
@article{arxiv.2310.04779,
title = {TransCC: Transformer Network for Coronary Artery CCTA Segmentation},
author = {Chenchu Xu and Meng Li and Xue Wu},
journal= {arXiv preprint arXiv:2310.04779},
year = {2023}
}