Transformer病灶追踪器
计算机视觉与模式识别
2022-12-13 v1
摘要
通过纵向病灶追踪评估病灶进展与治疗反应在临床实践中起着关键作用。由于手动进行病灶配准耗费高昂人力成本与时间，自动化方法应运而生。以往方法通常缺乏局部与全局信息的融合。本工作中，我们提出一种基于Transformer的方法，称为Transformer病灶追踪器（TLT）。具体而言，我们设计了一种基于交叉注意力的Transformer（CAT）来捕获并融合全局与局部信息以增强特征提取。我们还开发了基于配准的解剖注意力模块（RAAM），将解剖信息引入CAT使其聚焦于有用的特征知识。提出一种稀疏选择策略（SSS）用于特征选择并降低Transformer训练中的内存占用。此外，我们使用全局回归进一步提升模型性能。我们在公开数据集上开展实验以展示方法的优越性，并发现相比最先进水平（SOTA），我们的模型性能将平均欧氏中心误差至少降低了14.3%（6mm对7mm）。代码见https://github.com/TangWen920812/TLT。
引用
@article{arxiv.2206.06252,
title = {Transformer Lesion Tracker},
author = {Wen Tang and Han Kang and Haoyue Zhang and Pengxin Yu and Corey W. Arnold and Rongguo Zhang},
journal= {arXiv preprint arXiv:2206.06252},
year = {2022}
}
备注
Accepted MICCAI 2022