基于 Transformer 的生成对抗网络用于肝脏分割
图像与视频处理
2022-05-31 v2 计算机视觉与模式识别
摘要
从放射学扫描（CT、MRI）中自动分割肝脏，除了常规用于诊断和预后外，还可改进手术与治疗规划以及随访评估。尽管卷积神经网络（CNN）已成为标准的图像分割任务方法，但最近这一情况开始向基于 Transformer 的架构转变，因为 Transformer 利用了信号中捕获长程依赖建模的能力，即所谓的注意力机制。在本研究中，我们提出一种新的分割方法，采用结合 Transformer 与生成对抗网络（GAN）方法的混合方案。这一选择背后的前提是，Transformer 的自注意力机制使网络能够聚合高维特征并提供全局信息建模。与传统方法相比，该机制提供了更好的分割性能。此外，我们将该生成器编码进基于 GAN 的架构中，使得 GAN 中的判别器网络能够对人类（专家）标注的真实掩码与生成的分割掩码的可信度进行分类。这使我们能够提取掩码中的高维拓扑信息用于生物医学图像分割，并提供更可靠的分割结果。我们的模型取得了 0.9433 的 Dice 系数、0.9515 的召回率和 0.9376 的精确率，并优于其他基于 Transformer 的方法。
引用
@article{arxiv.2205.10663,
title = {Transformer based Generative Adversarial Network for Liver Segmentation},
author = {Ugur Demir and Zheyuan Zhang and Bin Wang and Matthew Antalek and Elif Keles and Debesh Jha and Amir Borhani and Daniela Ladner and Ulas Bagci},
journal= {arXiv preprint arXiv:2205.10663},
year = {2022}
}