Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

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。