Khái niệm cốt lõi
GLIMS는 CNN과 트랜스포머 기반 하이브리드 구조를 통해 국부적 및 전역적 특징을 효과적으로 추출하고, 주목 기반 접근법을 통해 관심 영역을 정확하게 분할한다.
Tóm tắt
이 논문은 GLIMS라는 새로운 의료 영상 분할 모델을 제안한다. GLIMS는 CNN과 트랜스포머 기반 하이브리드 구조를 사용하여 국부적 및 전역적 특징을 효과적으로 추출한다. 구체적으로:
다중 스케일 특징 추출기(DMSF)를 통해 국부적 및 전역적 특징을 효과적으로 결합한다. 이는 희석된 커널을 사용하여 고해상도 슬라이스에서 국부적 특징을 증가시키고 전역적 문맥을 향상시킨다.
Swin 트랜스포머 기반 병목 구조를 통해 국부적 및 전역적 특징을 효과적으로 융합한다. 이는 장거리 의존성을 모델링하는 데 도움이 된다.
채널 및 공간 주목 블록(CSAB)을 통해 관심 영역을 효과적으로 강조하여 디코더 브랜치의 분할 성능을 향상시킨다.
실험 결과, GLIMS는 BraTS2021과 BTCV 데이터셋에서 기존 모델들을 능가하는 성능을 보였다. 특히 복잡도가 크게 감소하면서도 정확도가 향상되었다. 이는 GLIMS의 효율적인 하이브리드 구조와 주목 기반 접근법이 의료 영상 분할에 효과적임을 보여준다.
Thống kê
GLIMS는 47.16M개의 학습 가능한 매개변수와 72.30G FLOPs를 가지고 있다.
Swin UNETR은 61.98M개의 학습 가능한 매개변수와 394.84G FLOPs를 가지고 있다.
Trích dẫn
"GLIMS는 주목 기반 경량 다중 스케일 하이브리드 네트워크로, 의료 영상 분할 작업에서 복잡도와 정확도 면에서 뛰어난 성능을 보인다."
"GLIMS는 BraTS2021과 BTCV 데이터셋에서 기존 모델들을 능가하는 성능을 보였다."