Multi-Head-Automatisierte Segmentierung durch Integration des Erkennungsmoduls in das Kontextschicht-Neuronale Netzwerk

Neues Multi-Head-Transformer-Modell verbessert automatisierte Segmentierung in der Strahlentherapie

Eine neuartige gated Multi-Head-Transformer-Architektur, basierend auf Swin U-Net, hat signifikante Verbesserungen in der automatisierten Segmentierung für Anwendungen in der Strahlentherapie gezeigt. Dieses Modell adressiert das Auftreten von falsch-positiven Ergebnissen in Schnitten, die keine Zielstrukturen aufweisen.

Die vorgeschlagene Architektur integriert den Inter-Slice-Kontext und verwendet einen parallelen Erkennungsmechanismus, um die Leistung zu steigern. Dieser duale Ansatz ermöglicht die Erkennung von Strukturen auf Schnittebene, während auf Pixelebene eine kontextualisierte Segmentierung durchgeführt wird. Die Erkennungsausgaben steuern die Segmentierungsprognosen und unterdrücken effektiv falsch-positive Ergebnisse in anatomisch ungültigen Schnitten.

Experimentelle Ergebnisse

Experimente mit dem Prostate-Anatomical-Edge-Cases-Datensatz zeigten, dass das gated Modell die nicht-gated Segmentierungsbasislinie signifikant übertrifft. Das gated Modell erreichte einen mittleren Dice-Verlust von $0.013 \pm 0.036$, im Vergleich zu $0.732 \pm 0.314$ für das nicht-gated Modell. Darüber hinaus wiesen die Erkennungswahrscheinlichkeiten des gated Modells eine starke Korrelation mit der tatsächlichen anatomischen Präsenz auf und eliminierten effektiv spurious Segmentierungen.

Im Gegensatz dazu zeigte das nicht-gated Modell eine größere Variabilität und anhaltende falsch-positive Ergebnisse, was auf einen Mangel an Robustheit in seinen Vorhersagen hinweist. Diese Ergebnisse heben die Vorteile der detektionsbasierten Gating-Technologie in der automatisierten Segmentierung hervor und verbessern sowohl die Robustheit als auch die anatomische Plausibilität.