机构名称：
¥ 1.0
背景：基于 Transformer 的模型在医学成像和癌症成像应用中越来越受欢迎。许多最近的研究表明，基于 Transformer 的模型可用于脑癌成像应用，例如诊断和肿瘤分割。目的：本研究旨在回顾不同的视觉变换器 (ViT) 如何有助于利用脑图像数据推进脑癌诊断和肿瘤分割。本研究考察了为增强脑肿瘤分割任务而开发的不同架构。此外，它还探讨了基于 ViT 的模型如何增强卷积神经网络在脑癌成像中的性能。方法：本综述按照 PRISMA-ScR（系统评价和荟萃分析扩展范围界定综述的首选报告项目）指南进行研究搜索和研究选择。搜索包括 4 个流行的科学数据库：PubMed、Scopus、IEEE Xplore 和 Google Scholar。搜索词的制定涵盖了干预措施（即 ViT）和目标应用（即脑癌成像）。研究选择的标题和摘要由 2 名审阅者独立完成，并由第三名审阅者验证。数据提取由 2 名审阅者完成，并由第三名审阅者验证。最后，使用叙述方法合成数据。结果：在检索到的 736 项研究中，有 22 项（3%）被纳入本综述。这些研究发表于 2021 年和 2022 年。这些研究中最常见的任务是使用 ViT 进行肿瘤分割。没有研究报告早期发现脑癌。在不同的 ViT 架构中，基于移位窗口变压器的架构最近成为研究界最受欢迎的选择。在所包含的架构中，UNet transformer 和 TransUNet 具有最多的参数，因此需要多达 8 个图形处理单元的集群进行模型训练。脑肿瘤分割挑战数据集是所包含研究中使用的最流行的数据集。ViT 与卷积神经网络以不同的组合使用，以捕获输入脑成像数据的全局和局部背景。结论：可以说，Transformer 架构的计算复杂性是推动该领域发展和实现临床转化的瓶颈。本综述提供了有关该主题的当前知识状态，本综述的结果将有助于医学人工智能及其在脑癌应用领域的研究人员。
XSL•FO
主要关键词
