与诊断放射学相关的患者护理质量与医师工作量成正比。分割是诊断和治疗程序的基本限制前体。机器学习的进步(ML)旨在提高诊断效率,以用广义算法替代单个应用程序。在无监督的异常检测(UAD)中,基于卷积神经网络(CNN)自动编码器(AES)和变异自动编码器(VAE)被视为基于重建的异常分段的事实方法。在医学图像中寻找异常区域是使用异常分割的主要应用之一。 CNN中受限制的接收场限制了CNN对全局上下文进行建模,因此,如果异常区域涵盖了图像的一部分,则基于CNN的AES无法带来对图像的语义理解。另一方面,视觉变压器(VIT)已成为CNN的竞争替代品。它依赖于能够将图像斑块相互关联的自我发挥机制。为了重建一个连贯和更现实的图像,在这项工作中,我们研究了变形金刚在为基于重建的UAD任务构建AES的功能中。我们专注于用于大脑磁共振成像(MRI)的异常分割,并呈现五个基于变压器的模型,同时可以使分割性能可比或与最新模型(SOTA)模型相当。源代码可在github https://github.com/ahmedgh970/transformers_unsupervise_anomaly_segentation.git上获得
translated by 谷歌翻译