Resumen

La segmentación multimodal de imágenes médicas es siempre un problema crítico en la segmentación de imágenes médicas. Los métodos tradicionales de aprendizaje profundo utilizan completamente CNNs para codificar imágenes dadas, lo que conduce a la deficiencia de dependencias de largo alcance y mal rendimiento de generalización. Recientemente, una secuencia de metodologías basadas en transformadores emerge en el campo del procesamiento de imágenes, lo que aporta una gran generalización y rendimiento en diversas tareas. Por otro lado, las CNN tradicionales tienen sus propias ventajas, como la rápida convergencia y las representaciones locales. Por ello, analizamos un método híbrido de segmentación multimodal basado en Transformadores y CNNs y proponemos una arquitectura novedosa, la red HybridCTrm. Llevamos a cabo experimentos utilizando HybridCTrm en dos conjuntos de datos de referencia y los comparamos con HyperDenseNet, una red basada totalmente en CNNs. Los resultados muestran que nuestra HybridCTrm supera a HyperDenseNet en la mayoría de las métricas de evaluación. Además, analizamos la influencia de la profundidad de Transformer en el rendimiento. Además, visualizamos los resultados y exploramos detenidamente cómo nuestros métodos híbridos mejoran las segmentaciones.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:CNNs, segmentación multimodal de imágenes médicas, métodos tradicionales de aprendizaje profundo, método híbrido de segmentación multimodal, mal rendimiento de generalización, segmentación de imágenes médicas, HybridCTrm, HyperDenseNet, Transformer, network
• Keywords:CNNs, Multimodal medical image segmentation, Traditional deep learning methods, hybrid multimodal segmentation method, bad generalization performance, medical image segmentation, HybridCTrm, HyperDenseNet, Transformer, network