Fast Multi-Organ Fine Segmentation in CT Images with Hierarchical Sparse Sampling and Residual Transformer
Xueqi Guo, Halid Ziya Yerebakan, Yoshihisa Shinagawa, Kritika Iyer, Gerardo Hermosillo Valadez
3D医学图像的多器官分割是各种临床自动化管道中有意义的应用的基础。 虽然深度学习已经实现了卓越的性能,但使用神经网络将整个3D体积体素分割的时间和内存消耗可能很大。 在某些兴趣点的情况下,分类器已被开发为替代方案,但速度和准确性之间的权衡仍然是一个问题。 因此,我们提出了一种新的快速多器官分割框架,使用分层稀疏采样和残余变压器。 与全量分析相比,分层稀疏采样策略可以成功地减少计算时间,同时使用多个分辨率水平保留有意义的分层上下文。 剩余变压器分割网络的架构可以在稀疏描述符中从不同级别的信息中提取和组合信息,同时保持较低的计算成本。 在包含10253张CT图像和公共数据集TotalSegmentator的内部数据集中,与当前的快速器官分类器相比,所提出的方法成功地提高了定性和定量分割性能,在CPU硬件上以2.24秒的水平快速速度。 提出了实现实时精细器官分割的潜力。
Multi-organ segmentation of 3D medical images is fundamental with meaningful applications in various clinical automation pipelines. Although deep learning has achieved superior performance, the time and memory consumption of segmenting the entire 3D volume voxel by voxel using neural networks can be huge. Classifiers have been developed as an alternative in cases with certain points of interest, but the trade-off between speed and accuracy remains an issue. Thus, we propose a novel fast multi-or...
