基于Transformer深度学习模型在医学图像分割中的研究进展

摘要：

医学图像的准确分割在现代临床影像检查、精准诊断和治疗规划中意义至关重要.近10年来,卷积神经网络(CNN)凭借其独特的特征提取能力,在医学图像分割领域成绩显著.CNN架构中存在的局部感受野和固有归纳偏置局限,限制其对图像中远程依赖关系的有效建模.近年来,Transformer架构依赖其对全局信息的捕获能力,有助于建模长距离的依赖关系并挖掘语义信息,在生物医学图像分割领域展示出卓越的性能和巨大潜力.在此,对Transformer架构的组成及其在医学图像分割中的应用进行了全面综述,从全监督、无监督和半监督的角度出发,对Transformer架构在医学图像的腹部多器官分割、心脏分割和脑肿瘤分割中的运用价值及性能进行了归纳分析,并对Transformer模型在分割任务中存在的局限不足进行了概括总结,最后对其未来发展趋势及优化路径进行了探讨展望.

关键词：Transformer、图像分割、卷积神经网络、医学图像

所属期刊栏目：43

分类号：R318(医用一般科学)

资助基金：国家自然科学基金;江西省自然科学基金;赣南医科大学科研启动基金

在线出版日期：2024-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：467-476