Name: Swin-PSAxialNet：一种高效的多器官分割技术 (视频) | JoVE Journal
Uploaded: 2024-07-05T12:30:00.000+00:00
Duration: 4 min 48 s
Description: 了解Swin-PSAxialNet多器官分割方法，该方法通过深度学习技术实现医学影像的高精度自动分割。本研究涵盖数据集构建、模型训练及消融实验等关键步骤，为医学图像分析提供高效可靠的计算工具。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本研究得到了江苏省“333工程”项目（[2022]21-003）、无锡市卫生健康委员会一般项目（M202205）以及无锡市科技发展基金（Y20212002-1）的资助，这些支持对本工作的顺利完成至关重要。&#34; 作者感谢所有研究助理和研究参与者提供的支持。

本方案已获得南通大学伦理委员会批准。该方案涉及利用人工智能技术对获得的无创或微创多模态数据进行智能评估与研究，包括人体医学影像、肢体运动和血管成像数据。图3展示了多器官分割的整体流程图。所有必要的网络链接均列在材料表中。
<img alt="图3" class="xfigimg" src="/files/ftp_upload/66459/66459fig03.jpg" /> 
图3：多器官分割的整体流程图。 <a href="https://www.jove.com/files/ftp_upload/66459/66459fig03large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
1. 数据集收集
<ol>
	<li>下载 AMOS2022 数据集24（参见材料表）。</li>
	<li>选择 160 张图像作为训练数据集，40 张图像作为测试数据集。</li>
	<li>终端执行 mkdir ~/PaddleSeg/contrib/MedicalSeg/data/raw_data。</li>
	<li>打开 raw_data 路径。</li>
	<li>将数据集放置在 raw_data 目录中，并确保与“imagesTr”和“labelsTr”目录中的文件名正确对应。</li>
	<li>创建 dataset.json 文件。</li>
	<li>将诸如 numTraining、numTest 和 labels name 等数据集信息添加到“dataset.json”文件中。 
	注意：本研究使用的数据集由从 AMOS2022 官方 500 例 CT 数据集中筛选出的 200 例高质量 CT 数据组成，用于训练和测试。该数据集涵盖 11 个器官，包括脾脏、右肾、左肾、胆囊、食管、肝脏、胃、主动脉、下腔静脉、胰腺和膀胱。</li>
</ol>
2. 环境配置
<ol>
	<li>安装 Paddlepaddle 环境（参见材料表）及相应版本的 CUDA25。 
	注意：建议使用 Paddlepaddle 2.5.0 版本和 CUDA 11.7 版本。</li>
	<li>通过 Git 克隆 PaddleSeg 仓库25。</li>
	<li>在终端中执行 cd ~/PaddleSeg/contrib/MedicalSeg/。</li>
	<li>执行 pip install -r requirements.txt。</li>
	<li>执行 pip install medpy。</li>
</ol>
3. 数据预处理
<ol>
	<li>修改“yml”文件，包括 data_root, batch_size, model, train_dataset, val_dataset, optimizer, lr_scheduler 和 loss 等参数。</li>
	<li>指定执行所需参数，包括 “-config, --log_iters, --precision, --nnunet, --save_dir, --save_interval” 等。 
	注意：原始的 “raw_data” 被转换为三种类型的数据文件：“Cropped”、“Decathlon” 和 “Preprocessed”，以满足不同的训练和评估需求，从而提升模型性能和训练效果。</li>
</ol>
4. 模型训练与比较
注意：作为图像分割领域广泛使用的基线方法，nnU-Net23 在本研究中被用作基准模型。具体模型比较过程如下。
<ol>
	<li>训练 nnU-Net
	<ol>
		<li>设置批量大小为 2，迭代次数为 80,000，每 20 次迭代记录一次日志，并使用 fp16 精度。</li>
		<li>将 save_dir 设置为工作目录下的“output”文件夹，保存间隔设为每 1,000 次迭代一次。</li>
		<li>添加参数 --use_vdl 以实现 VisualDL 参数可视化。</li>
		<li>运行 train.py。</li>
		<li>创建四个 yml 文件，指定 folds 为 1-4，并使用五折交叉验证训练模型。</li>
	</ol>
	</li>
	<li>训练 Swin-UNet
	<ol>
		<li>保持与先前设定的实验条件一致。</li>
		<li>移除参数 --nnunet，改用 --swinunet。</li>
		<li>运行 train.py 文件。</li>
		<li>分别训练 folds 1-4，然后进行集成处理。</li>
	</ol>
	</li>
	<li>训练 TransUNet
	<ol>
		<li>遵循步骤 4.1 中所述的流程。</li>
		<li>打开 yml 文件。</li>
		<li>将 type: nnunet 修改为 type: transunet。</li>
		<li>将参数 --nnunet 修改为 --transunet。</li>
		<li>运行 train.py 文件。</li>
		<li>分别训练 folds 1-4，并进行集成处理。</li>
	</ol>
	</li>
	<li>训练 UNETR
	<ol>
		<li>保持实验变量一致。</li>
		<li>重复之前 Swin-UNet 和 TransUNet（步骤 4.2 和步骤 4.3）所述的流程。</li>
		<li>运行 train.py。</li>
		<li>分别训练 folds 1-4，并进行集成处理。</li>
	</ol>
	</li>
	<li>训练 nnFormer
	<ol>
		<li>参照 Swin-UNet 和 TransUNet 的方式修改参数。</li>
		<li>运行 single fold train.py。</li>
		<li>执行集成处理。</li>
	</ol>
	</li>
</ol>
5. 消融实验
<ol>
	<li>整个网络的 PSAA 模块
	<ol>
		<li>保持变量与步骤 4.1 一致。</li>
		<li>设置 volume_shape = (64,192,192) 且 Axial_attention = True。</li>
		<li>运行 single fold train.py。</li>
		<li>对五个折叠进行集成处理。</li>
	</ol>
	</li>
	<li>整个网络的 SPD 模块
	<ol>
		<li>保持变量与步骤 4.1 一致。</li>
		<li>设置 SPD_enable = True 且 Axial_attention = False。</li>
		<li>运行 single fold train.py。</li>
		<li>对五个折叠进行集成处理。</li>
	</ol>
	</li>
	<li>上采样部分使用 PSAA 模块 
	注意：下采样部分不得使用 SPD 模块。
	<ol>
		<li>上采样部分使用 PSAA 模块。</li>
		<li>保持变量与步骤 4.1 一致。</li>
		<li>在下采样部分设置 Axial_attention = False，并设置 SPD_enable = False。</li>
		<li>运行 single fold train.py。</li>
		<li>对五个折叠进行集成处理。</li>
	</ol>
	</li>
	<li>上采样部分使用 PSAA 模块 
	注意：下采样部分使用 SPD 模块。
	<ol>
		<li>下采样部分使用 SPD 模块，上采样部分使用 PSAA 模块。</li>
		<li>保持变量与步骤 4.1 一致。</li>
		<li>在下采样部分设置 Axial_attention = False，并设置 SPD_enable = True。</li>
		<li>运行 single fold train.py。</li>
		<li>对五个折叠进行集成处理。</li>
		<li>由于结果更优，将迭代次数设置为 200,000。</li>
	</ol>
	</li>
</ol>

Swin-PSAxialNet: A Streamlined Approach for Segmenting Multiple Organs

<ol><li>Liu, X., Song, L., Liu, S., Zhang, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+deep-learning-based+medical+image+segmentation+methods%5BTitle%5D)+AND+%22Sustain%22%5BJournal%5D)">A review of deep-learning-based medical image segmentation methods.</a> Sustain. 13 (3), 1224(2021).</li>
<li>Popilock, R., Sandrasagaren, K., Harris, L., Kaser, K. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CT+artifact+recognition+for+the+nuclear+technologist%5BTitle%5D)+AND+%22J+Nucl+Med+Technol%22%5BJournal%5D)">CT artifact recognition for the nuclear technologist.</a> J Nucl Med Technol. 36 (2), 79-81 (2008).</li>
<li>Rehman, A., Khan, F. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+learning+based+review+on+abdominal+images%5BTitle%5D)+AND+%22Multimed+Tools+Appl%22%5BJournal%5D)">A deep learning based review on abdominal images.</a> Multimed Tools Appl. 80, 30321-30352 (2021).</li>
<li>Schenck, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+magnetic+susceptibility+in+magnetic+resonance+imaging%3A+Mri+magnetic+compatibility+of+the+first+and+second+kinds%5BTitle%5D)+AND+%22Med+Phys%22%5BJournal%5D)">The role of magnetic susceptibility in magnetic resonance imaging: Mri magnetic compatibility of the first and second kinds.</a> Med Phys. 23 (6), 815-850 (1996).</li>
<li>Palmisano, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Myocardial+late+contrast+enhancement+ct+in+troponin-positive+acute+chest+pain+syndrome%5BTitle%5D)+AND+%22Radiol%22%5BJournal%5D)">Myocardial late contrast enhancement ct in troponin-positive acute chest pain syndrome.</a> Radiol. 302 (3), 545-553 (2022).</li>
<li>Chen, E. -L., Chung, P. -C., Chen, C. -L., Tsai, H. -M., Chang, C. -I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automatic+diagnostic+system+for+CT+liver+image+classification%5BTitle%5D)+AND+%22IEEE+Trans+Biomed+Eng%22%5BJournal%5D)">An automatic diagnostic system for CT liver image classification.</a> IEEE Trans Biomed Eng. 45 (6), 783-794 (1998).</li>
<li>Sagel, S. S., Stanley, R. J., Levitt, R. G., Geisse, G. J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computed+tomography+of+the+kidney%5BTitle%5D)+AND+%22Radiol%22%5BJournal%5D)">Computed tomography of the kidney.</a> Radiol. 124 (2), 359-370 (1977).</li>
<li>Freeman, J. L., Jafri, S., Roberts, J. L., Mezwa, D. G., Shirkhoda, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CT+of+congenital+and+acquired+abnormalities+of+the+spleen%5BTitle%5D)+AND+%22Radiographics%22%5BJournal%5D)">CT of congenital and acquired abnormalities of the spleen.</a> Radiographics. 13 (3), 597-610 (1993).</li>
<li>Almeida, R. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+pancreatic+CT+imaging%5BTitle%5D)+AND+%22AJR+Am+J+Roentgenol%22%5BJournal%5D)">Advances in pancreatic CT imaging.</a> AJR Am J Roentgenol. 211 (1), 52-66 (2018).</li>
<li>Eisen, G. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+for+credentialing+and+granting+privileges+for+endoscopic+ultrasound%5BTitle%5D)+AND+%22Gastrointest+Endosc%22%5BJournal%5D)">Guidelines for credentialing and granting privileges for endoscopic ultrasound.</a> Gastrointest Endosc. 54 (6), 811-814 (2001).</li>
<li>Sykes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reflections+on+the+current+status+of+commercial+automated+segmentation+systems+in+clinical+practice%5BTitle%5D)+AND+%22J+Med+Radiat+Sci%22%5BJournal%5D)">Reflections on the current status of commercial automated segmentation systems in clinical practice.</a> J Med Radiat Sci. 61 (3), 131-134 (2014).</li>
<li>He, K., Zhang, X., Ren, S., Sun, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+residual+learning+for+image+recognition%5BTitle%5D)+AND+%222016+IEEE+Conference+on+Computer+Vision+and+Pattern+Recognition+%28CVPR%29%22%5BJournal%5D)">Deep residual learning for image recognition.</a> 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). , Vegas, NV, USA. 770-778 (2016).</li>
<li>Dosovitskiy, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+image+is+worth+16x16+words%3A+Transformers+for+image+recognition+at+scale.+arXiv%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">An image is worth 16x16 words: Transformers for image recognition at scale. arXiv.</a> arXiv. , 11929(2020).</li>
<li>Ramachandran, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Stand-alone+self-attention+in+vision+models%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">Stand-alone self-attention in vision models.</a> Adv Neural Inf Process Syst. 32, NIPS2019 (2019).</li>
<li>Vaswani, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Attention+is+all+you+need%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">Attention is all you need.</a> Adv Neural Inf Process Syst. 30, NIPS2019 (2017).</li>
<li>Chen, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TransUNET%3A+Transformers+make+strong+encoders+for+medical+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">TransUNET: Transformers make strong encoders for medical image segmentation.</a> arXiv. , arXiv:2102 04396(2021).</li>
<li>Liu, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Swin+transformer%3A+Hierarchical+vision+transformer+using+shifted+windows%5BTitle%5D)+AND+%22Proc+IEEE+Int+Conf+Comput+Vis%22%5BJournal%5D)">Swin transformer: Hierarchical vision transformer using shifted windows.</a> Proc IEEE Int Conf Comput Vis. , 10012-10022 (2021).</li>
<li>Cao, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Swin-UNET%3A+Unet-like+pure+transformer+for+medical+image+segmentation%5BTitle%5D)+AND+%22Comput+Vis+ECCV%22%5BJournal%5D)">Swin-UNET: Unet-like pure transformer for medical image segmentation.</a> Comput Vis ECCV. , 205-218 (2022).</li>
<li>Zhou, H. -Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((nnformer%3A+Interleaved+transformer+for+volumetric+segmentation.+arXiv%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">nnformer: Interleaved transformer for volumetric segmentation. arXiv.</a> arXiv. , arXiv:2109 03201(2021).</li>
<li>Sunkara, R., Luo, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((No+more+strided+convolutions+or+pooling%3A+A+new+CNN+building+block+for+low-resolution+images+and+small+objects%5BTitle%5D)+AND+%22Mach+Learn+Knowl+Discov+Databases%22%5BJournal%5D)">No more strided convolutions or pooling: A new CNN building block for low-resolution images and small objects.</a> Mach Learn Knowl Discov Databases. , 443-459 (2023).</li>
<li>Çiçek, Ö, Abdulkadir, A., Lienkamp, S. S., Brox, T., Ronneberger, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+U-Net%3A+learning+dense+volumetric+segmentation+from+sparse+annotation%5BTitle%5D)+AND+%22Med+Comput+Vis+Bayesian+Graph+Models+Biomed+Imaging%22%5BJournal%5D)">3D U-Net: learning dense volumetric segmentation from sparse annotation.</a> Med Comput Vis Bayesian Graph Models Biomed Imaging. 2016, 424-432 (2016).</li>
<li>Kim, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abdominal+multi-organ+auto-segmentation+using+3D-patch-based+deep+convolutional+neural+network%5BTitle%5D)+AND+%22Scientific+reports%22%5BJournal%5D)">Abdominal multi-organ auto-segmentation using 3D-patch-based deep convolutional neural network.</a> Scientific reports. 10 (1), 6204(2020).</li>
<li>Isensee, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((nnu-net%3A+Self-adapting+framework+for+u-net-based+medical+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">nnu-net: Self-adapting framework for u-net-based medical image segmentation.</a> arXiv. , arXiv:1809 10486(2018).</li>
<li>Ji, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+large-scale+abdominal+multi-organ+benchmark+for+versatile+medical+image+segmentation%5BTitle%5D)+AND+%22Adv+Neural+Inf+Process+Syst%22%5BJournal%5D)">A large-scale abdominal multi-organ benchmark for versatile medical image segmentation.</a> Adv Neural Inf Process Syst. 35, 36722-36732 (2022).</li>
<li>Liu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Paddleseg%3A+A+high-efficient+development+toolkit+for+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Paddleseg: A high-efficient development toolkit for image segmentation.</a> arXiv. , arXiv:2101 06175(2021).</li>
<li>Hatamizadeh, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UNETR%3A+Transformers+for+3D+medical+image+segmentation%5BTitle%5D)+AND+%22Proc+IEEE+Int+Conf+Comput+Vis%22%5BJournal%5D)">UNETR: Transformers for 3D medical image segmentation.</a> Proc IEEE Int Conf Comput Vis. , https://api.semanticscholar.org/CorpusID:232290634 574-584 (2022).</li>
<li>Zhou, H., Zeng, D., Bian, Z., Ma, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+semi-supervised+network-based+tissue-aware+contrast+enhancement+method+for+ct+images%5BTitle%5D)+AND+%22Nan+Fang+Yi+Ke+Da+Xue+Xue+Bao%22%5BJournal%5D)">A semi-supervised network-based tissue-aware contrast enhancement method for ct images.</a> Nan Fang Yi Ke Da Xue Xue Bao. 43 (6), 985-993 (2023).</li>
<li>Ma, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Abdomenct-1k%3A+Is+abdominal+organ+segmentation+a+solved+problem%5BTitle%5D)+AND+%22IEEE+Trans+Pattern+Anal+Mach+Intell%22%5BJournal%5D)">Abdomenct-1k: Is abdominal organ segmentation a solved problem.</a> IEEE Trans Pattern Anal Mach Intell. 44 (10), 6695-6714 (2021).</li>
<li>Galván, E., Mooney, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroevolution+in+deep+neural+networks%3A+Current+trends+and+future+challenges%5BTitle%5D)+AND+%22IEEE+Trans+Artif+Intell%22%5BJournal%5D)">Neuroevolution in deep neural networks: Current trends and future challenges.</a> IEEE Trans Artif Intell. 2 (6), 476-493 (2021).</li>
</ol>

作者声明无利益冲突。

腹部器官的分割是一项复杂的工作。与其他人体内部结构（如大脑或心脏）相比，由于CT图像中对比度较低且器官形态变化较大，腹部器官的分割显得更具挑战性27,28。本文提出Swin-PSAxialNet以解决这一难题。
在数据收集步骤中，本研究从AMOS2022官方网站下载了200张图像24。在环境配置步骤中，实验环境包括Paddlepaddle框架及其对应的CUDA版本。在数据预处理步骤中，采用了随机裁剪和随机翻转以增强数据的鲁棒性。在模型训练与比较步骤中，基于基线模型nnU-Net，实验引入了SPD Block用于下采样，并引入PSAA特征提取模块用于上采样，取得了优异的分割效果。Swin-PSAxialNet与多种主流分割模型进行了比较，在公开数据集AMOS2022上表现出良好的性能，其分割精度高于本研究中提到的其他分割方法16,17,18,19。在消融实验部分，通过调整PSAA模块和SPD模块的使用方式，以寻找最优的分割网络结构。消融实验结果表明，仅在上采样阶段使用PSAA模块，其性能比在整个网络中使用该模块高出一个百分点。
本研究的创新之处如下：首先，将SPD模块引入网络，与Conv模块共同构成下采样单元，从而增强网络的特征提取能力。其次，引入PSAA特征提取模块，有效降低了网络复杂度，同时提高了训练精度。最后，引入参数共享机制，显著降低了训练模型的复杂性。
本研究在以下方面存在局限性：仅应用于AMOS2022数据集，尚未在其他数据集上验证结果。此外，尽管nnU-Net作为自动化分割框架经过一系列优化后在腹部器官分割任务中已取得较高性能，但部分参数仍具有一定的主观性，例如初始学习率、迭代次数、网络结构等。未来的研究将探索这些参数的自动计算方法29。
Swin-PSAxialNet 在腹部器官分割任务中取得了优异的分割效果，表现出强大的泛化能力和稳定性。在未来的研究中，将引入更多数据集以进一步探究该算法的泛化能力，并对模型进行相应调整。此外，该算法的结构还可进一步优化，以提升网络的整体精度和鲁棒性。目标是将该网络与多模态能力相结合，将其发展为一种医学多模态模型。

当前的临床干预，包括疾病诊断、治疗方案制定以及治疗效果追踪，均依赖于对医学图像的精确分割1。然而，腹部器官之间复杂的结构关系2使得实现多个腹部器官的准确分割成为一项具有挑战性的任务3。在过去的几十年中，医学影像与计算机视觉技术的蓬勃发展，为腹部多器官分割领域带来了新的机遇与挑战。先进的磁共振成像（Magnetic Resonance Imaging, MRI）4和计算机断层扫描（Computed Tomography, CT）技术5使我们能够获取高分辨率的腹部图像。从CT图像中对多个器官进行精确分割，对于肝脏、肾脏、脾脏、胰腺等重要器官的评估与治疗具有重要的临床价值6,7,8,9,10。然而，对这些解剖结构的手动标注，尤其是需要放射科医生或放射肿瘤科医生参与的标注，既耗时又容易受到主观因素的影响11。因此，迫切需要开发自动化且精确的腹部多器官分割方法。
以往的图像分割研究主要依赖卷积神经网络（CNN），通过堆叠网络层并引入 ResNet12 来提高分割效率。2020 年，谷歌研究团队提出了视觉 Transformer（VIT）模型13，首次成功将 Transformer 架构引入传统视觉领域，用于多种视觉任务14。卷积操作只能关注局部特征信息，而 Transformer 中的注意力机制则能够全面考虑全局特征信息。
鉴于基于Transformer的架构在性能上优于传统的卷积网络15，许多研究团队已广泛开展研究，致力于优化Transformer与卷积网络各自优势之间的协同作用16,17,18,19。Chen 等人提出了用于医学图像分割任务的 TransUNet16，该模型利用 Transformer 从图像中提取全局特征。然而，由于网络训练成本较高，且未能有效利用特征提取的层次化结构概念，Transformer 的优势尚未得到充分发挥。
为了解决这些问题，许多研究人员开始尝试将Transformer作为训练分割网络的主干架构。Liu等人17提出了Swin Transformer，该模型采用分层构建方法进行逐层特征提取。该研究提出了窗口多头自注意力（Windows Multi-Head Self-Attention, W-MSA）机制，显著降低了计算成本，尤其是在存在较大浅层特征图的情况下。尽管该方法减少了计算需求，但也导致了不同窗口之间的信息传递被隔离。为解决这一问题，作者进一步引入了移位窗口多头自注意力（Shifted Windows Multi-Head Self-Attention, SW-MSA）机制，实现了相邻窗口之间的信息传播。在此方法基础上，Cao等人提出了Swin-UNet18，将U-Net中的二维卷积替换为Swin模块，并在编码和解码过程中引入W-MSA和SW-MSA，取得了令人满意的分割效果。
相反，Zhou 等人强调，在处理高分辨率图像时，卷积操作的优势不容忽视19。他们提出的 nnFormer 采用基于局部三维图像块的自注意力计算方法，构建了一种具有十字形结构的 Transformer 模型。基于局部三维块的注意力机制显著降低了网络的训练负担。
鉴于上述研究存在的问题，本文提出了一种用于三维医学图像分割的高效混合分层结构，称为 Swin-PSAxialNet。该方法引入了一种下采样模块——空间到深度（Space-to-depth, SPD）20 模块，能够提取全局信息21。此外，还加入了一种参数共享的轴向注意力（parameter shared axial attention, PSAA）模块，可将学习参数数量从二次降低至线性级别，从而有效提升网络训练的准确性，并降低训练模型的复杂度22。
Swin-PSAxialNet 网络 
该网络的整体架构采用 nnU-Net23 的 U 形结构，包含编码器和解码器结构。这些结构用于局部特征提取，并对来自大尺度和小尺度图像的特征进行拼接，如图 1所示。
<img alt="图1" class="xfigimg" src="/files/ftp_upload/66459/66459fig01.jpg" /> 
图1：Swin-PSAxialNet 网络架构示意图。 <a href="https://www.jove.com/files/ftp_upload/66459/66459fig01large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
在编码器结构中，传统的卷积模块（Conv block）与SPD模块20相结合，构成一个下采样单元。编码器的第一层引入了图像块嵌入（Patch Embedding），该模块将三维数据划分为三维图像块 <img alt="公式 1" src="/files/ftp_upload/66459/66459eq01.jpg" style="margin: auto;" />，其中（P1, P2, P3）表示此处的非重叠图像块，&#160;<img alt="公式 2" src="/files/ftp_upload/66459/66459eq02.jpg" style="margin: auto;" /> 表示三维图像块的序列长度。在嵌入层之后，下一步是一个非重叠的卷积下采样单元，该单元由卷积模块和SPD模块共同组成。在此结构中，卷积模块的步幅设为1，而SPD模块用于图像缩放，从而实现分辨率降低为原来的四分之一，同时通道数增加为原来的两倍。
在解码器结构中，瓶颈特征层之后的每个上采样模块均由一个上采样模块和一个PSAA模块组合而成。在每两个解码阶段之间，特征图的分辨率提高两倍，通道数减半。为了恢复空间信息并增强特征表示，在上采样模块之间执行大尺度与小尺度图像之间的特征融合。最终，上采样结果被输入至头部层，以恢复原始图像尺寸，输出尺寸为（H × W × D × C，其中 C = 3）。
SPD 模块架构 
在传统方法中，下采样部分采用步长为 2 的单一卷积操作。该方法通过对图像局部位置进行卷积池化，限制了感受野，导致模型只能从小尺寸图像块中提取特征。本方法采用 SPD 模块，将原始图像在三维空间上进行精细划分。原始的三维图像沿 x、y 和 z 轴被均匀分割，生成四个子体块。（图 2）随后，通过“cat”操作将这四个体块进行拼接，并对拼接后的结果进行 1 × 1 × 1 卷积，从而获得下采样的图像20。
<img alt="图2" class="xfigimg" src="/files/ftp_upload/66459/66459fig02.jpg" /> 
图2：SPD 块状图。 <a href="https://www.jove.com/files/ftp_upload/66459/66459fig02large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
PSAA 模块架构 
与传统的卷积神经网络（CNN）相比，所提出的 PSAA 模块在全局信息聚焦方面更为有效，在网络学习与训练中也更加高效，从而能够捕获更丰富的图像与空间特征。PSAA 模块包含基于参数共享的三维轴向注意力学习机制，即在高度、宽度和深度三个维度上分别进行。与传统注意力机制对图像中每个像素执行注意力学习不同，该方法在三个维度上独立进行注意力学习，将自注意力的复杂度从二次级降低至线性级。此外，该模块采用可学习的键-查询参数共享机制，使网络能够在三个维度上并行执行注意力机制操作，从而实现更快、更优且更有效的特征表示。

<table><tbody><tr><td>AMOS2022 数据集</td><td>无</td><td>无</td><td>用于网络训练和测试的数据集。网络链接为：https://pan.baidu.com/s/1x2ZW5FiZtVap0er55Wk4VQ?pwd=xhpb</td></tr><tr><td>ASUS 主机</td><td>ASUS</td><td></td><td>https://www.asusparts.eu/en/asus-13020-01910200</td></tr><tr><td>CUDA 版本 11.7</td><td>NVIDIA</td><td></td><td>https://developer.nvidia.com/cuda-11-7-0-download-archive</td></tr><tr><td>NVIDIA GeForce RTX 3090</td><td>NVIDIA</td><td></td><td>https://www.nvidia.com/en-in/geforce/graphics-cards/30-series/rtx-3090-3090ti/</td></tr><tr><td>Paddlepaddle 环境&amp;nbsp;</td><td>Baidu</td><td>无</td><td>网络训练的环境准备。网络链接为：https://www.paddlepaddle.org.cn/</td></tr><tr><td>PaddleSeg</td><td>Baidu</td><td>无</td><td>我们使用的基线模型：https://github.com/PaddlePaddle/PaddleSeg</td></tr></tbody></table>

swin-psaxialnet：一种高效的多器官分割技术

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

腹部多器官分割是医学图像分析领域中最重要的课题之一，在支持疾病诊断和治疗规划等临床工作流程中发挥着重要作用。本研究提出了一种基于nnU-Net架构的高效多器官分割方法Swin-PSAxialNet，专门用于CT图像中11个腹部器官的精确分割。 &#65279;与nnU-Net相比，所提出的网络进行了以下改进：首先，引入了空间到深度（Space-to-depth, SPD）模块和参数共享的轴向注意力（parameter-shared axial attention, PSAA）特征提取模块，增强了三维图像特征提取能力；其次，采用多尺度图像融合方法以捕捉细节信息和空间特征，提升了对细微特征和边缘特征的提取能力；最后，引入参数共享策略，以降低模型的计算成本并提高训练速度。 &#65279;该网络在涉及11个器官的分割任务中达到了平均 Dice 系数 0.93342。实验结果表明，Swin-PSAxialNet 显著优于此前主流的分割方法。该方法在主要腹部器官的分割中表现出优异的准确性和较低的计算成本。

本方案采用两个指标来评估模型：Dice 相似性分数（DSC）和 95% 豪斯多夫距离（HD95）。DSC 用于衡量体素分割预测结果与真实标签之间的重叠程度，而 95% HD 则用于评估体素分割预测边界与真实标签边界的重叠情况，并过滤掉 5% 的离群值。DSC26 的定义如下：
<img alt="公式 3" src="/files/ftp_upload/66459/66459eq03.jpg" style="margin: auto;" />&#160; &#160; &#160; (1)
其中，T 和 P 分别表示所有体素的真值和预测值。95% HD26 的定义如下：
<img alt="公式 4" src="/files/ftp_upload/66459/66459eq04.jpg" style="margin: auto;" />&#160; &#160; &#160; (2)
其中，dT,P,&#160; 表示真实体素与预测体素之间最大 HD95 的第95百分位距离，而 dT,P, 表示预测体素与真实体素之间最大 HD95 的第95百分位距离。
在表1中，Swin-PSAxialNet 与多种主流多器官分割算法进行了比较。结果表明，所提出的算法在腹部器官分割方面表现出更优的性能。该分割方法的 Dice 准确率比其他方法的平均 Dice 值高出 2-3 个百分点，甚至比 nnFormer 高出 1 个百分点。Swin-PSAxialNet 在边界分割方面也表现出较高的准确性，其平均 HD95 系数为 5.63，是所有对比算法中最低的。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td colspan="2" rowspan="2" style="min-width: 40px;">方法</td>
			<td rowspan="2" style="min-width: 40px;">Lkn</td>
			<td rowspan="2" style="min-width: 40px;">Spl</td>
			<td rowspan="2" style="min-width: 40px;">Liv</td>
			<td rowspan="2" style="min-width: 40px;">Pan</td>
			<td rowspan="2" style="min-width: 40px;">Aro</td>
			<td rowspan="2" style="min-width: 40px;">Bla</td>
			<td rowspan="2" style="min-width: 40px;">Sto</td>
			<td rowspan="2" style="min-width: 40px;">Gbd</td>
			<td rowspan="2" style="min-width: 40px;">Pos</td>
			<td rowspan="2" style="min-width: 40px;">Eso</td>
			<td rowspan="2" style="min-width: 40px;">Rkn</td>
			<td colspan="2" style="min-width: 40px;">平均值</td>
		</tr>
		<tr>
			<td style="min-width: 40px;">DSC</td>
			<td style="min-width: 40px;">HD95</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">nnU-Net</td>
			<td style="min-width: 40px;">96.3</td>
			<td style="min-width: 40px;">96.8</td>
			<td style="min-width: 40px;">97.21</td>
			<td style="min-width: 40px;">85.2</td>
			<td style="min-width: 40px;">95.22</td>
			<td style="min-width: 40px;">86.57</td>
			<td style="min-width: 40px;">91.47</td>
			<td style="min-width: 40px;">84.7</td>
			<td style="min-width: 40px;">91.79</td>
			<td style="min-width: 40px;">82.5</td>
			<td style="min-width: 40px;">95.44</td>
			<td style="min-width: 40px;">91.2</td>
			<td style="min-width: 40px;">7.13</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">Swin-Unet</td>
			<td style="min-width: 40px;">96.03</td>
			<td style="min-width: 40px;">96.68</td>
			<td style="min-width: 40px;">97.22</td>
			<td style="min-width: 40px;">85.74</td>
			<td style="min-width: 40px;">95.3</td>
			<td style="min-width: 40px;">87.82</td>
			<td style="min-width: 40px;">91.77</td>
			<td style="min-width: 40px;">84.64</td>
			<td style="min-width: 40px;">91.67</td>
			<td style="min-width: 40px;">83.26</td>
			<td style="min-width: 40px;">96.14</td>
			<td style="min-width: 40px;">91.48</td>
			<td style="min-width: 40px;">9.68</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">TransUNet</td>
			<td style="min-width: 40px;">96.42</td>
			<td style="min-width: 40px;">96.74</td>
			<td style="min-width: 40px;">97.05</td>
			<td style="min-width: 40px;">85.09</td>
			<td style="min-width: 40px;">94.86</td>
			<td style="min-width: 40px;">85.2</td>
			<td style="min-width: 40px;">91.81</td>
			<td style="min-width: 40px;">83.33</td>
			<td style="min-width: 40px;">91.52</td>
			<td style="min-width: 40px;">82.22</td>
			<td style="min-width: 40px;">96.12</td>
			<td style="min-width: 40px;">90.94</td>
			<td style="min-width: 40px;">13.77</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">UNETR</td>
			<td style="min-width: 40px;">95.94</td>
			<td style="min-width: 40px;">96.48</td>
			<td style="min-width: 40px;">96.85</td>
			<td style="min-width: 40px;">84.14</td>
			<td style="min-width: 40px;">94.62</td>
			<td style="min-width: 40px;">85.01</td>
			<td style="min-width: 40px;">90.18</td>
			<td style="min-width: 40px;">81.16</td>
			<td style="min-width: 40px;">90.79</td>
			<td style="min-width: 40px;">80.34</td>
			<td style="min-width: 40px;">95.15</td>
			<td style="min-width: 40px;">90.06</td>
			<td style="min-width: 40px;">12.92</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">nnFormer</td>
			<td style="min-width: 40px;">96.59</td>
			<td style="min-width: 40px;">97.22</td>
			<td style="min-width: 40px;">97.33</td>
			<td style="min-width: 40px;">86.79</td>
			<td style="min-width: 40px;">95.31</td>
			<td style="min-width: 40px;">89.74</td>
			<td style="min-width: 40px;">92.82</td>
			<td style="min-width: 40px;">84.88</td>
			<td style="min-width: 40px;">92.43</td>
			<td style="min-width: 40px;">84.24</td>
			<td style="min-width: 40px;">96.32</td>
			<td style="min-width: 40px;">92.15</td>
			<td style="min-width: 40px;">6.59</td>
		</tr>
		<tr>
			<td colspan="2" style="min-width: 40px;">Swin-PSAxialNet</td>
			<td style="min-width: 40px;">96.85</td>
			<td style="min-width: 40px;">97.67</td>
			<td style="min-width: 40px;">97.64</td>
			<td style="min-width: 40px;">88.39</td>
			<td style="min-width: 40px;">95.97</td>
			<td style="min-width: 40px;">92.03</td>
			<td style="min-width: 40px;">94.4</td>
			<td style="min-width: 40px;">87.78</td>
			<td style="min-width: 40px;">93.15</td>
			<td style="min-width: 40px;">86.24</td>
			<td style="min-width: 40px;">96.59</td>
			<td style="min-width: 40px;">93.34</td>
			<td style="min-width: 40px;">5.63</td>
		</tr>
	</tbody>
</table>
表1：主流分割算法的比较。 缩写代表以下器官：Lkn 表示左肾，Spl 表示脾脏，Liv 表示肝脏，Pan 表示胰腺，Aro 表示主动脉，Bla 表示膀胱，Sto 表示胃，Gbd 表示胆囊，Pos 表示下腔静脉，Eso 表示食管，Rkn 表示右肾，DSC 表示平均 Dice 系数，HD95 表示平均 95% Hausdorff 距离。
此外，参数共享机制的引入以及对 Transformer 结构的改进，在模型复杂度和推理速度方面均带来了显著优势（表 2, 图4，以及 图5).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>模型</td>
			<td>参数量 (M)</td>
			<td>浮点运算量 (G)</td>
			<td>推理时间 (s)</td>
		</tr>
		<tr>
			<td>nn-Unet</td>
			<td>17.96</td>
			<td>398.54</td>
			<td>9.07</td>
		</tr>
		<tr>
			<td>UNETR</td>
			<td>89.58</td>
			<td>39.67</td>
			<td>12.51</td>
		</tr>
		<tr>
			<td>nnFormer</td>
			<td>134.78</td>
			<td>152.43</td>
			<td>11.24</td>
		</tr>
		<tr>
			<td>Swin-PSAxialNet</td>
			<td>37.64</td>
			<td>43.15</td>
			<td>10.31</td>
		</tr>
	</tbody>
</table>
表2：网络模型指标比较表。
<img alt="图4" class="xfigimg" src="/files/ftp_upload/66459/66459fig04.jpg" /> 
图4：模型训练网络的Dice变化曲线。 （A）当前网络。（B）nnFormer。（C）nnU-Net。（D）UNETR。<a href="https://www.jove.com/files/ftp_upload/66459/66459fig04large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图 5" class="xfigimg" src="/files/ftp_upload/66459/66459fig05.jpg" /> 
图 5：模型训练结果比较。 该图展示了当前网络的结果、nnFormer 的结果、nnU-Net 的结果以及 UNETR 的结果。<a href="https://www.jove.com/files/ftp_upload/66459/66459fig05large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
本研究对算法网络进行了全面的消融实验，以PSAA模块和SPD模块作为变量，比较了单折训练与五折训练的效果。实验结果的Dice系数如表3所示。结果表明，与未修改的nnU-Net相比，使用SPD模块进行下采样、PSAA模块进行上采样能有效提升分割性能（图6）。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>模型</td>
			<td>整个网络的 PSAA 模块</td>
			<td>整个网络的 SPD 模块</td>
			<td>仅上采样部分使用 PSAA 模块</td>
			<td>上采样部分使用 PSAA 模块，并采用 SPD</td>
		</tr>
		<tr>
			<td>单次折叠训练</td>
			<td>92.17</td>
			<td>90.51</td>
			<td>92.24</td>
			<td>92.39</td>
		</tr>
		<tr>
			<td>五次折叠训练</td>
			<td>92.82</td>
			<td>91.26</td>
			<td>92.79</td>
			<td>93.34</td>
		</tr>
	</tbody>
</table>
表3：Swin-PSAxialNet消融实验的结果。 展示了Swin-PSAxialNet的消融实验结果。在消融实验中，比较了PSAA模块和SPD模块的使用情况，表中列出了DSC的训练结果。
<img alt="图6" class="xfigimg" src="/files/ftp_upload/66459/66459fig06.jpg" /> 
图6：分割结果。 <a href="https://www.jove.com/files/ftp_upload/66459/66459fig06large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>

本方案描述了一种高效的多器官分割方法，称为Swin-PSAxialNet，该方法相较于以往的分割方法具有优异的准确性。该流程的关键步骤包括数据集收集、环境配置、数据预处理、模型训练与比较，以及消融实验。

Swin-PSAxialNet：一种高效的多器官分割技术

腹部多器官分割是医学图像分析领域中最重要的课题之一，在……中发挥着重要作用

我们的研究主要集中在人工智能在医学领域的应用，包括医学图像分割、医疗多模态、大语言模型和生物传感器等。我们领域的最新进展包括基于零样本专业的分割模型（如 SAM）和序列模型（如 Wish member）。当前深度学习模型面临的常见问题包括数据量不足和质量差，需要提高模型的泛化性、能力和鲁棒性。我们的协议引入了PSA块和SPD块作为信息提取模块，提供了更全面的信息提取能力，并且与其他方法相比计算成本更低。我库未来目标包括开发通用医疗大模型、多模型深度学习算法研究、智能医疗可穿戴设备设计等。[旁白]首先，下载 Amos-2022 数据集并解释用于分析的图像。从数据集中选择 160 张图像作为训练数据集，从数据集中选择 40 张图像作为测试数据集。在终端上执行此命令以移动包含原始数据的目录。然后在原始数据目录中创建一个dataset.json文件，并输入数据集信息，例如训练和测试图像的数量以及标签名称。对于环境配置，安装 PaddlePaddle 环境和相应的昆仑版本。从 GitHub 克隆 PaddleSeg 存储库。在终端中，执行此命令以导航到 MedicalSeg 目录。要安装项目要求，请使用此命令。接下来，修改 yml 配置文件，包括 data_root、batch_size、model、train_dataset、val_dataset、optimizer、 LR_scheduler 和 loss 等参数。使用此命令指定执行所需的参数。将 NNU 网络训练过程配置为批量大小为 2 次，迭代次数为 80,000 次。每 20 次迭代记录一次，并利用 FP 16 精度。设置每 1000 次迭代的保存间隔。然后运行 Train.py。添加可视化DL参数可视化的参数use_VDL。创建四个 yml 文件，指定折叠 1 到 4，并使用五重交叉验证训练模型。接下来，将 PSAA 模块合并到整个网络中，保持与训练步骤相同。设置体积形状，并将轴向注意力启用为 true。运行命令 single fold train.py。评估单个折叠并配置参数。跨五个折叠处理集成处理。与主流多器官分割算法相比，Swin-PSAxialNet 展示了卓越的腹部器官分割性能。此外，Swin-PSAxialNet在边界分割方面表现出色，在所有比较算法中实现了最低的平均HD 95系数。与其他方法相比，参数共享机制的引入和对 Transformer 结构的增强有助于显着提高模型复杂性和推理速度。全面的消融实验显示，与标准 NNU 网络相比，分割性能更高，凸显了 PSAA 模块在上采样方面的优势。

swin-psaxialnet-an-efficient-multi-organ-segmentation-technique

Research

科研

JoVE Journal

Engineering

工程

来自多种成像技术的三维数据分割是分析复杂生物系统的主要瓶颈。本文中，我们以冷冻电子断层扫描、冷冻软X射线断层扫描和相衬X射线断层扫描技术的示例数据集为例，介绍如何利用SuRVoS...

利用SuRVoS（超级区域体积分割）工作台对生物材料进行体积分割与分析

所述流程旨在对大于千兆字节的电子显微镜数据集进行分割，以提取完整细胞的形态。一旦细胞在三维空间中完成重建，即可使用根据特定需求定制的软件直接在三维空间中进行定性和定量分析，也可借助虚拟现实技术克服视野遮挡问题。...

一种用于胶质细胞与神经元细胞三维重建及虚拟现实分析的方法

本文介绍了一种用于眼眶计算机断层扫描（CT）图像的物体分割方案。文中详细说明了采用超分辨率技术标注眼眶结构真实标签、从CT图像中提取感兴趣区域体积，以及利用二维序列U-Net对眼眶CT图像进行多标签分割建模的方法，以上均适用于监督学习。...

基于深度学习的医学图像分割应用 通过 眼眶计算机断层扫描

尽管脉络丛在大脑中具有关键作用，但由于缺乏可靠的自动化分割工具，针对该结构的神经影像学研究仍然十分有限。本方案旨在实现脉络丛的金标准手动分割，为未来的神经影像学研究提供依据。...

使用脑部 MRI 手动分割人类脉络丛

自动化关节间隙检测工作流程的开发实现了对野生型小鼠后肢足部骨骼的高通量分割，准确率超过&gt;98%。该方法可灵活应用于前肢足部以及患有炎性侵蚀性关节炎的足部，但在这些情况下的性能有所下降，未来研究需利用公开数据进一步优化。...

自动化关节间隙检测可提高骨分割的准确性

介绍了一种克服光学衍射极限的方法。该方法包括两个步骤：首先利用迭代的Gerchberg-Saxton算法进行光学相位恢复，然后对成像系统进行位移并重复第一步。沿移动方向合成了增大的透镜孔径，从而实现了更高的成像分辨率。...

运动平台上成像的时间复用超分辨技术

非牛顿流体的液滴撞击是一个复杂的过程，因为在极短的时间内（不到一毫秒的十分之一），多种物理参数都会影响其动力学行为。本文介绍了一种高速成像技术，用于表征不同非牛顿流体的撞击行为。...

研究非牛顿流体液滴撞击动力学的快速成像技术

我们描述了通过湿化学法制备多功能Fe2O3-Au纳米颗粒及其性质，并利用激光照射研究其光热性能。该复合型Fe2O3-Au纳米颗粒保留了两种材料的特性，形成具有优异磁性和等离子体特性的多功能结构。...

多功能杂化 Fe2O3-Au 纳米颗粒用于高效等离激元加热

本文介绍了一种通过引入单价阳离子添加剂来调控溶液法制备的CH3NH3PbI3性能的实验方案，以实现高效钙钛矿太阳能电池的制备。...

单价阳离子掺杂 CH3NH3PbI3 以实现高效钙钛矿太阳能电池

介绍了一种使用激光多普勒测振仪（LDV）进行固定-固定梁设计的实验方案，包括频率调谐的测量、调谐能力的改进，以及器件失效和粘连现象的避免。由于LDV方法具有更高的模态检测能力，其性能优于网络分析仪。...

高效宽调谐范围MEMS滤波器的设计与表征方法

了解Swin-PSAxialNet多器官分割方法，该方法通过深度学习技术实现医学影像的高精度自动分割。本研究涵盖数据集构建、模型训练及消融实验等关键步骤，为医学图像分析提供高效可靠的计算工具。

Swin-PSAxialNet：一种高效的多器官分割技术

探索更多视频