Swin-PSAxialNet:効率的な多臓器セグメンテーション技術

私たちの研究は、主に医療画像セグメンテーション、医療マルチモーダル、大規模言語モデル、バイオセンサーなどの医療分野における人工知能の応用に焦点を当てています。

私たちの分野における最新の進歩には、SAMのようなゼロサンプルのプロベースのセグメンテーションモデルや、Wishメンバーのようなシーケンスモデルが含まれます。

現在のディープラーニングモデルが直面する一般的な問題には、データ量が不十分であることや品質が低く、モデルの一般化、機能、堅牢性を向上させる必要があることが含まれます。

私たちのプロトコルでは、PSAブロックとSPDブロックを情報抽出モジュールとして導入し、より包括的な情報抽出機能を提供し、他の方法と比較して低い計算コストを提供します。

当図書館の将来の目標には、ユニバーサル医療大規模モデルの開発、複数モデルの深層学習アルゴリズムの研究、インテリジェントな医療ウェアラブルデバイスの設計が含まれます。

[ナレーター]まず、Amos-2022データセットをダウンロードし、解析に使用する画像を説明します。トレーニングデータセットのデータセットから 160 枚の画像を選択し、テストデータセットのデータセットから 40 枚の画像を選択します。ターミナルで、このコマンドを実行して、生データを含むディレクトリを移動します。次に、生データディレクトリ内にdataset.jsonファイルを作成し、トレーニング画像とテスト画像の数、ラベル名などのデータセット情報を入力します。環境構成については、PaddlePaddle環境と対応するKunlunバージョンをインストールします。GitHubからPaddleSegリポジトリをクローンします。ターミナルで、このコマンドを実行して、MedicalSegディレクトリに移動します。プロジェクト要件をインストールするには、このコマンドを使用します。次に、yml 構成ファイルを変更して、data_root、batch_size、model、train_dataset、val_dataset、optimizer、LR_scheduler、loss などのパラメーターを含めます。このコマンドを使用して、実行に必要なパラメータを指定します。NNU ネット トレーニング プロセスを 2 のバッチ サイズと 80,000 回の反復で構成します。20 回の反復ごとにログを記録し、FP 16 の精度を利用します。保存間隔を 1000 回の反復ごとに設定します。次に、Train.py を実行します。ビジュアルDLパラメータの可視化のパラメータuse_VDLを追加します。4 つの yml ファイルを作成し、1 から 4 のフォールドを指定し、5 倍の交差検証でモデルをトレーニングします。次に、PSAAブロックをネットワーク全体に組み込み、トレーニングステップと同じ状態を維持します。ボリューム形状を設定し、軸方向の注意をtrueに有効にします。コマンド single fold train.py を実行します。1 つのフォールドを評価し、パラメーターを構成します。5 つのフォールドにわたるプロセス アンサンブル処理。Swin-PSAxialNetは、主流の多臓器セグメンテーションアルゴリズムと比較して、腹部臓器の優れたセグメンテーション性能を示しています。さらに、Swin-PSAxialNetは境界セグメンテーションに優れており、比較されたすべてのアルゴリズムの中で最も低い平均HD 95係数を達成しました。パラメータ共有メカニズムの導入とトランスフォーマー構造の強化により、他の手法と比較してモデルの複雑さと推論速度が大幅に向上しました。包括的なアブレーション実験により、標準的な NNU ネットと比較してより高いセグメンテーション性能が明らかになり、アップサンプリングにおける PSAA ブロックの利点が強調されました。