基于Transformer架构的卒中分割：综述
图像与视频处理
2024-10-02 v1 计算机视觉与模式识别
机器学习
摘要
卒中仍然是一个重大的全球健康问题，需要精确高效的诊断工具以实现及时干预并改善患者预后。深度学习方法的出现改变了医学图像分析的格局。最近，最初为自然语言处理设计的Transformer在各种计算机视觉应用中展现出了卓越的能力，包括医学图像分析。本综述旨在深入探讨应用于卒中分割的前沿基于Transformer的架构。综述首先探讨卒中病理学、成像模态以及与准确诊断和分割相关的挑战。随后，深入探讨Transformer的基本思想，详细剖析其架构复杂性以及使其能够有效捕获医学图像内复杂空间信息的底层机制。本文对现有文献进行了系统的分类和分析，讨论了利用Transformer进行卒中分割的各种方法。文章提供了批判性评估，强调了这些方法的优势和局限性，包括对性能和计算效率的考量。此外，本综述还探讨了未来研究与发展的潜在途径。
关键词
引用
@article{arxiv.2403.18637,
title = {Transformers-based architectures for stroke segmentation: A review},
author = {Yalda Zafari-Ghadim and Essam A. Rashed and Mohamed Mabrok},
journal= {arXiv preprint arXiv:2403.18637},
year = {2024}
}