Speaker
Description
В работе представлен алгоритм на основе трансформер-архитектуры, обеспечивающий семантическую сегментацию области поражения головного мозга пациента ишемическим инсультом на трехмерных снимках компьютерной томографии без контрастирования. Для решения задачи была применена архитектура нейронной сети 3D Swin UNETR [1], в основе которой лежит механизм внимания, служащий для поиска взаимосвязей между различными частями изображения. Модель была обучена и протестирована методом кросс-валидации на реальных снимках пациентов Международного томографического центра СО РАН. Предобработка данных включала в себя ограничение интенсивности изображения и minmax нормализация. Были проведены исследования и сравнения качества работы модели и ее аналогов [2]. Предлагаемый алгоритм демонстрирует на 30% большую точность по метрике DICE в сравнении с моделью-аналогом 3D U-Net. Главной особенностью модели 3D Swin UNETR является увеличение ложноположительных и уменьшение ложноотрицательных ответов по сравнению с 3D U-Net.
Список литературы
1. A. Hatamizadeh, V. Nath, Y. Tang, D. Yang, H. R. Roth, and D. Xu Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images // arXiv preprint arXiv:2201.01266. 2022.
2. A. Dobshik, S. Verbitskiy, I. Pestunov, K. Sherman, A. Tulupov, V. Berikov et al. Acute ischemic stroke lesion segmentation in non-contrast ct images using 3d convolutional neural networks // Computer Optics, vol. 47, no. 5, pp. 770–777, 2023. DOI: 10.18287/2412-6179-CO-1233
| Секция конференции | Методы искусственного интеллекта и машинного обучения |
|---|
