【论文阅读笔记】Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers--A multi-institut

本文链接：https://blog.youkuaiyun.com/cskywit/article/details/135076008

Müller-Franzes G, Müller-Franzes F, Huck L, et al. Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers–A multi-institutional evaluation[J]. arXiv preprint arXiv:2304.08972, 2023.【代码开放】

本文创新点一般，只做简单总结

【论文概述】

本文介绍了一项关于乳房MRI中纤维腺体组织分割的研究，主要内容是开发并评估了一种基于变压器架构的神经网络模型（TraBS），用于多机构MRI数据中的乳房分割。这项研究显示，TraBS模型在内部和外部验证集上的表现优于现有的基于卷积神经网络的模型（如nnUNet），尤其在处理乳房密度和背景腺体增强（BPE）方面的自动量化评估。研究的目的是提高乳房MRI筛查中乳房密度和腺体增强量化的准确性。

【模型结构】

基于Swin UNETR：TraBS是基于Swin UNETR架构构建的，这是一种结合了UNet和Transformer结构的网络，特别适用于医学图像分割任务。
非等向核和步幅：在模型的前两个阶段使用了非等向的核和步幅。这种设计保持了深度的恒定，有助于更好地处理图像的空间信息。
深度监督：在较低分辨率层添加了深度监督，以提高网络在各个层次上的学习能力和精度。

【数据集和硬件】

本文中使用了两个乳房MRI数据集，分别命名为“UKA”和“DUKE”：

UKA数据集：收集自德国亚琛大学医院（University Hospital Aachen），包含2010年至2019年间的9751例乳房MRI检查数据，涵盖5086名女性。从中选取了200例检查（包括104例癌症和55例纤维腺瘤）进行研究。
DUKE数据集：收集自美国杜克医院（Duke Hospital），为公开可用数据，包括2000年至2014年间的922例有活检证实的侵袭性乳腺癌病例。最终从中随机选取40例进行手动分割。

【实验结果】

重点对比了基于Transformer的模型TraBS与传统的基于卷积神经网络的模型（如nnUNet）在内部数据集和外部数据集上的性能表现。以下是这两方面的详细总结：

Transformer在内部数据集上的表现优于CNN
- 性能比较：TraBS在内部测试集上的Dice分数比nnUNet高（0.916 ± 0.067 对比 0.909 ± 0.069），说明TraBS在内部数据集上的分割精度更高。
- 平均对称表面距离：TraBS在内部测试集上的平均对称表面距离也比nnUNet低，分别为0.548 ± 2.195 mm与0.657 ± 2.856 mm。这表明TraBS在内部数据集上的分割更为精确，接近于手动分割的结果。
Transformer在外部数据集上的表现也优于CNN
- Dice分数：在外部测试集上，TraBS的Dice分数（0.864 ± 0.081）同样高于nnUNet（0.824 ± 0.144），表明TraBS在不同机构收集的数据上具有更好的泛化能力和分割精度。
- 平均对称表面距离：TraBS在外部测试集上的平均对称表面距离也较低（0.584 ± 0.413 mm 对比 0.727 ± 0.620 mm），进一步证实了其更高的分割精度和泛化能力。
综合分析

这些结果表明，相较于传统的基于CNN的模型，基于变压器的TraBS模型在乳房MRI中纤维腺体组织的分割任务上表现出更高的精度和泛化能力。这是因为TraBS能够更好地处理和理解图像中的长期依赖关系，从而提高了在不同数据集上的性能。这一发现对于提高乳房密度和背景腺体增强量化的准确性具有重要意义，特别是在多机构和多样化数据环境下。