TFCNs: A CNN-Transformer Hybrid Network for Medical Image Segmentation

要約

医療画像のセグメンテーションは、医療情報分析に関する最も基本的なタスクの1つです。
これまで、U-Net、FC-DenseNetなどの多くの深層学習ベースの技術を含むさまざまなソリューションが提案されてきました。しかし、高精度の医療画像セグメンテーションは、固有の倍率と歪みが存在するため、依然として非常に困難な作業です。
医療画像、および正常組織と同様の密度の病変の存在。
本論文では、FC-DenseNetにResLinear-Transformer（RL-Transformer）とConvolutional Linear Attention Block（CLAB）を導入することにより、この問題に取り組むためのTFCN（完全畳み込みdenseNets用の変圧器）を提案します。
TFCNは、特徴抽出のためにCT画像からのより多くの潜在的な情報を利用できるだけでなく、CLABモジュールを介して、意味的特徴をキャプチャして配布し、非意味的特徴をより効果的にフィルタリングできます。
私たちの実験結果は、TFCNがSynapseデータセットで83.72 \％のサイコロスコアで最先端のパフォーマンスを達成できることを示しています。
さらに、COVID-19公開データセットに対する病変領域の影響に対するTFCNの堅牢性を評価します。
Pythonコードは、https：//github.com/HUANGLIZI/TFCNで公開されます。

要約(オリジナル)

Medical image segmentation is one of the most fundamental tasks concerning medical information analysis. Various solutions have been proposed so far, including many deep learning-based techniques, such as U-Net, FC-DenseNet, etc. However, high-precision medical image segmentation remains a highly challenging task due to the existence of inherent magnification and distortion in medical images as well as the presence of lesions with similar density to normal tissues. In this paper, we propose TFCNs (Transformers for Fully Convolutional denseNets) to tackle the problem by introducing ResLinear-Transformer (RL-Transformer) and Convolutional Linear Attention Block (CLAB) to FC-DenseNet. TFCNs is not only able to utilize more latent information from the CT images for feature extraction, but also can capture and disseminate semantic features and filter non-semantic features more effectively through the CLAB module. Our experimental results show that TFCNs can achieve state-of-the-art performance with dice scores of 83.72\% on the Synapse dataset. In addition, we evaluate the robustness of TFCNs for lesion area effects on the COVID-19 public datasets. The Python code will be made publicly available on https://github.com/HUANGLIZI/TFCNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google