机构名称：
¥ 1.0
摘要 — 准确的新生儿脑部 MRI 分割对于研究脑部生长模式和追踪神经发育障碍的进展非常有价值。然而，使用基于强度的方法来分割新生儿脑结构是一项具有挑战性的任务，因为固有的髓鞘形成过程导致脑区之间的对比度差异很小。尽管卷积神经网络提供了以强度无关的方式分割脑结构的潜力，但它们缺乏分割所必需的平面内长距离依赖性。为了解决这个问题，我们提出了一种新颖的 Transformer 加权网络 (TW-Net) 来整合平面内长距离依赖信息。TW-Net 采用传统的编码器-解码器架构，中间有一个 Transformer 模块。Transformer 模块使用旋转和翻转层来更好地计算切片中两个斑块之间的相似性，以利用脑结构内相似的几何和纹理特征模式。此外，还引入了深度监督模块和挤压和激励块来整合脑结构的边界信息。与最先进的深度学习算法相比，TW-Net 在两个独立的公共数据集上 2D 和 2.5D 配置的多标签任务中表现优于这些方法，表明 TW-Net 是一种很有前途的新生儿脑部 MRI 分割方法。
TW-Net：用于新生儿脑部 MRI 分割的 Transformer 加权网络
主要关键词
相关文件推荐
