Swin-PSAxialNet: 효율적인 다중 장기 분할 기법

우리의 연구는 주로 의료 이미지 분할, 의료 다중 모드, 대규모 언어 모델 및 바이오 센서를 포함한 의료 분야에서 인공 지능을 적용하는 데 중점을 두고 있습니다.

우리 분야의 최신 발전에는 SAM과 같은 제로 샘플 프로 기반 세분화 모델과 Wish 멤버와 같은 시퀀스 모델이 포함됩니다.

현재 딥 러닝 모델이 직면한 일반적인 문제로는 데이터 볼륨이 부족하고 품질 저하가 있어 모델 일반화, 기능 및 견고성을 개선해야 합니다.

우리 프로토콜은 PSA 블록과 SPD 블록을 정보 추출 모듈로 도입하여 보다 포괄적인 정보 추출 기능을 제공하고 다른 방법에 비해 낮은 계산 비용을 제공합니다.

우리 도서관의 향후 목표에는 범용 의료 대형 모델 개발, 다중 모델 딥 러닝 알고리즘 연구, 지능형 의료 웨어러블 장치 설계가 포함됩니다.

[해설자] 시작하려면 Amos-2022 데이터 세트를 다운로드하고 분석에 사용할 이미지를 설명합니다. 학습 데이터 세트의 경우 데이터 세트에서 160개의 이미지를 선택하고 테스트 데이터 세트의 경우 40개의 이미지를 선택합니다. 터미널에서 이 명령을 실행하여 원시 데이터가 포함된 디렉토리를 이동합니다. 그런 다음 원시 데이터 디렉터리 내에 dataset.json 파일을 생성하고 학습 및 테스트 이미지 수, 레이블 이름과 같은 데이터 세트 정보를 입력합니다. 환경 구성의 경우 PaddlePaddle 환경과 해당 Kunlun 버전을 설치합니다. GitHub에서 PaddleSeg 리포지토리를 복제합니다. 터미널에서 이 명령을 실행하여 MedicalSeg 디렉토리로 이동합니다. 프로젝트 요구 사항을 설치하려면 이 명령을 사용합니다. 그런 다음 data_root, batch_size, model, train_dataset, val_dataset, optimizer, LR_scheduler 및 loss와 같은 매개변수를 포함하도록 yml 구성 파일을 수정합니다. 이 명령을 사용하여 실행에 필요한 매개 변수를 지정합니다. 배치 크기 2 및 80,000회 반복으로 NNU 순 학습 프로세스를 구성합니다. 20회 반복마다 기록하고 FP 16 정밀도를 활용합니다. 1000회 반복마다 저장 간격을 설정합니다. 그런 다음 Train.py 실행하십시오. 시각적 DL 파라미터 시각화를 위한 파라미터 use_VDL를 추가합니다. 4개의 yml 파일을 만들고, 1에서 4까지의 접기를 지정하고, 5중 교차 유효성 검사로 모델을 훈련합니다. 다음으로, PSAA 블록을 훈련 단계와 동일하게 유지하면서 전체 네트워크에 통합합니다. 볼륨 모양을 설정하고 축 방향 주의를 true로 활성화합니다. single fold train.py 명령을 실행합니다. 단일 접기를 평가하고 매개 변수를 구성합니다. 5겹에 걸쳐 앙상블 처리를 처리합니다. Swin-PSAxialNet은 주류 다기관 분할 알고리즘과 비교할 때 복부 장기에 대한 우수한 분할 성능을 보여줍니다. 또한 Swin-PSAxialNet은 경계 분할에 탁월하여 비교된 모든 알고리즘 중에서 가장 낮은 평균 HD 95 계수를 달성했습니다. 매개변수 공유 메커니즘의 도입과 트랜스포머 구조의 개선은 다른 방법에 비해 모델 복잡성과 추론 속도가 크게 향상되는 데 기여했습니다. 포괄적인 절제 실험을 통해 표준 NNU 넷에 비해 더 높은 분할 성능이 나타났으며, 이는 업샘플링을 위한 PSAA 블록의 이점을 강조했습니다.