Transformer Lesion Tracker

要約

縦方向の病変追跡を介して病変の進行と治療反応を評価することは、臨床診療において重要な役割を果たします。
このタスクの自動化されたアプローチは、病変のマッチングが手動で行われる場合の法外な人件費と時間の消費によって動機付けられます。
以前の方法では、通常、ローカル情報とグローバル情報の統合が欠けています。
この作業では、Transformer Lesion Tracker（TLT）と呼ばれる変圧器ベースのアプローチを提案します。
具体的には、Cross Attention-based Transformer（CAT）を設計して、グローバル情報とローカル情報の両方をキャプチャして結合し、特徴抽出を強化します。
また、登録ベースの解剖学的注意モジュール（RAAM）を開発して、CATに解剖学的情報を導入し、有用な機能知識に集中できるようにします。
Transformerトレーニングで機能を選択し、メモリフットプリントを削減するために、スパース選択戦略（SSS）が提示されます。
さらに、グローバル回帰を使用して、モデルのパフォーマンスをさらに向上させます。
公開データセットで実験を行って、この方法の優位性を示し、モデルのパフォーマンスが最新の（SOTA）と比較して平均ユークリッド中心誤差を少なくとも14.3％（6mm対7mm）改善したことを確認しました。
）。
コードはhttps://github.com/TangWen920812/TLTで入手できます。

要約(オリジナル)

Evaluating lesion progression and treatment response via longitudinal lesion tracking plays a critical role in clinical practice. Automated approaches for this task are motivated by prohibitive labor costs and time consumption when lesion matching is done manually. Previous methods typically lack the integration of local and global information. In this work, we propose a transformer-based approach, termed Transformer Lesion Tracker (TLT). Specifically, we design a Cross Attention-based Transformer (CAT) to capture and combine both global and local information to enhance feature extraction. We also develop a Registration-based Anatomical Attention Module (RAAM) to introduce anatomical information to CAT so that it can focus on useful feature knowledge. A Sparse Selection Strategy (SSS) is presented for selecting features and reducing memory footprint in Transformer training. In addition, we use a global regression to further improve model performance. We conduct experiments on a public dataset to show the superiority of our method and find that our model performance has improved the average Euclidean center error by at least 14.3% (6mm vs. 7mm) compared with the state-of-the-art (SOTA). Code is available at https://github.com/TangWen920812/TLT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google