| عنوان مقاله به انگلیسی | SymTC: A Symbiotic Transformer-CNN Net for Instance Segmentation of Lumbar Spine MRI |
| عنوان مقاله به فارسی | SymTC: یک شبکه ترانسفورماتور همزیستی-سی ان ان برای نمونه تقسیم بندی MRI ستون فقرات کمری |
| نویسندگان | Jiasong Chen, Linchen Qian, Linhai Ma, Timur Urakov, Weiyong Gu, Liang Liang |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Intervertebral disc disease, a prevalent ailment, frequently leads to intermittent or persistent low back pain, and diagnosing and assessing of this disease rely on accurate measurement of vertebral bone and intervertebral disc geometries from lumbar MR images. Deep neural network (DNN) models may assist clinicians with more efficient image segmentation of individual instances (disks and vertebrae) of the lumbar spine in an automated way, which is termed as instance image segmentation. In this work, we proposed SymTC, an innovative lumbar spine MR image segmentation model that combines the strengths of Transformer and Convolutional Neural Network (CNN). Specifically, we designed a parallel dual-path architecture to merge CNN layers and Transformer layers, and we integrated a novel position embedding into the self-attention module of Transformer, enhancing the utilization of positional information for more accurate segmentation. To further improves model performance, we introduced a new data augmentation technique to create synthetic yet realistic MR image dataset, named SSMSpine, which is made publicly available. We evaluated our SymTC and the other 15 existing image segmentation models on our private in-house dataset and the public SSMSpine dataset, using two metrics, Dice Similarity Coefficient and 95% Hausdorff Distance. The results show that our SymTC has the best performance for segmenting vertebral bones and intervertebral discs in lumbar spine MR images. The SymTC code and SSMSpine dataset are available at https://github.com/jiasongchen/SymTC. |
| تعداد صفحات | 34 |
| چکیده به فارسی (ترجمه ماشینی) | بیماری دیسک بین مهره ای ، یک بیماری شایع ، غالباً منجر به کمردرد متناوب یا مداوم می شود و تشخیص و ارزیابی این بیماری به اندازه گیری دقیق استخوان های مهره و هندسه دیسک بین مهره ای از تصاویر MR کمر متکی است.مدل های شبکه عصبی عمیق (DNN) ممکن است به پزشکان با تقسیم تصویر کارآمدتر از نمونه های فردی (دیسک و مهره) ستون فقرات کمر به روش خودکار کمک کند ، که به عنوان تقسیم تصویر نمونه نامیده می شود.در این کار ، ما SYMTC ، یک مدل تقسیم تصویر تصویر MR کمر در ستون فقرات کمر را پیشنهاد کردیم که با ترکیب نقاط قوت ترانسفورماتور و شبکه عصبی Convolutional (CNN) ترکیب می شود.به طور خاص ، ما یک معماری موازی دو مسیر را برای ادغام لایه های CNN و لایه های ترانسفورماتور طراحی کردیم ، و ما یک موقعیت جدید تعبیه شده در ماژول خودآزمایی ترانسفورماتور را ادغام کردیم و باعث افزایش استفاده از اطلاعات موقعیتی برای تقسیم دقیق تر شدیم.برای بهبود بیشتر عملکرد مدل ، ما یک روش جدید تقویت داده را برای ایجاد مجموعه داده های تصویر مصنوعی و در عین حال واقع بینانه به نام SSMSPINE معرفی کردیم که در دسترس عموم است.ما SMTC و 15 مدل تقسیم بندی تصویر موجود خود را در مجموعه داده های داخلی خصوصی و مجموعه داده های عمومی SSMSPine با استفاده از دو معیار ، ضریب شباهت تاس و فاصله 95 ٪ Hausdorff ارزیابی کردیم.نتایج نشان می دهد که SYMTC ما بهترین عملکرد را برای تقسیم استخوان های مهره ای و دیسک های بین مهره ای در تصاویر MR ستون فقرات کمر دارد.Code Symtc و مجموعه داده SSMSPINE در https://github.com/jiasongchen/symtc در دسترس هستند. |
| دسته بندی موضوعات | Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم ، دید رایانه و تشخیص الگوی ، یادگیری ماشین ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.