Многоhead автоматическая сегментация с использованием детектирующей головы в контекстном слоевом нейронном сети

Новая модель многоголового трансформера улучшает автоматическую сегментацию в радиотерапии

Новая архитектура многоголового трансформера с затвором, основанная на Swin U-Net, продемонстрировала значительные улучшения в автоматической сегментации для приложений радиотерапии. Эта модель решает проблему ложноположительных результатов в срезах, в которых отсутствуют целевые структуры.

Предлагаемая архитектура интегрирует контекст между срезами и использует параллельную детекцию для повышения производительности. Этот двойной подход позволяет обнаруживать структуры на уровне срезов, одновременно проводя сегментацию на уровне пикселей через улучшенный контекст. Выходы детекции управляют предсказаниями сегментации, эффективно подавляя ложноположительные результаты в анатомически недействительных срезах.

Экспериментальные результаты

Эксперименты с набором данных Prostate-Anatomical-Edge-Cases показали, что модель с затвором значительно превосходит базовую модель только с сегментацией без затвора. Модель с затвором достигла средней потери Dice $0.013 \pm 0.036$, по сравнению с $0.732 \pm 0.314$ для модели без затвора. Более того, вероятности детекции модели с затвором продемонстрировали сильную корреляцию с фактическим анатомическим присутствием, эффективно устраняя ложные сегментации.

В отличие от этого, модель без затвора показала большую изменчивость и постоянные ложноположительные результаты, что указывает на недостаток надежности в ее предсказаниях. Эти результаты подчеркивают преимущества детекции на основе управления в автоматической сегментации, повышая как надежность, так и анатомическую правдоподобность.