6、医学影像处理中的创新模型：MINiT与椎间盘标注方法

医学影像处理中的创新模型：MINiT与椎间盘标注方法

在医学影像处理领域，准确的图像分析对于疾病诊断和治疗具有至关重要的意义。近年来，研究人员提出了多种创新模型和方法，以提高医学影像分析的准确性和效率。本文将介绍两种重要的模型：Multiple Instance Neuroimage Transformer (MINiT) 和一种基于学习形状信息的椎间盘标注方法。

MINiT：用于3D T1w MRI分类的无卷积变压器模型

MINiT是一种基于多实例学习的无卷积变压器模型，用于对3D T1w MRI进行分类。该模型考虑了整个3D体积，并以监督的方式进行端到端训练，无需过多的预训练或微调。

• 模型优势 ：MINiT能够通过捕获遍布大脑的特征，更好地进行泛化。在从T1w MRI识别性别的任务中进行训练时，它取得了最先进的结果。通过可视化MiNiT模型学习到的注意力图，可以发现该模型能够敏感地捕捉到不同性别之间的形态特征差异，并且对类别不平衡不敏感。
• 未来扩展 ：未来可以通过在小型数据集上进行微调，研究MINiT在不同任务中的迁移学习能力。

基于学习形状信息的椎间盘标注方法

准确自动地从医学图像中分割椎间盘是评估脊柱相关疾病（如骨质疏松症、椎体骨折和椎间盘突出）的关键任务。然而，许多现有方法在椎间盘定位时会产生较高的误报率。为了解决这个问题，研究人员提出了一种基于U-Net的新型结构和一种“看一次”的后处理模型。

研究背景

人体脊柱由33个独立的椎骨通过韧带和椎间盘连接而成。