SegDT: 一种基于扩散变换器的医学成像分割模型-计算机科学-深度学习-扩散变换器-医学图像分割-皮肤病变分割.pdfVIP

SegDT:一种基于扩散变换器的医学成像分割模型

SalahEddineBekhouche[0000-0001-5538-7407],Gaby

Maroun[0009-0006-5608-1817],FadiDornaika[0000-0001-6581-9680],

andAbdenourHadid[0000-0001-9092-735X]

UniversityoftheBasqueCountryUPV/EHU,SanSebastian,Spain

{sbekhouche001,gmaroun001}@ikasle.ehu.eusfadi.dornaika@ehu.eus

IKERBASQUE,BasqueFoundationforScience,Bilbao,Spain

SorbonneUniversityAbuDhabi,AbuDhabi,UAE

abdenour.hadid@sorbonne.ae

本

译

中摘要医学图像分割对于许多医疗任务至关重要，包括疾病诊断和治疗计

划。一个关键领域是皮肤病变的分割，这对于诊断皮肤癌和监测患者非常

1重要。在此背景下，本文介绍了一种新的基于扩散变换器（DiT）的分割模

v

5型SegDT。SegDT旨在在低成本硬件上运行，并集成了修正流，这可以在

9减少推理步骤的同时提高生成质量并保持标准扩散模型的灵活性。我们的

5方法在三个基准数据集上进行了评估，并与几项现有工作进行了比较，在

5

1实现最先进的结果的同时保持了快速的推理速度。这使得提出的模型对实

.

7际医疗应用具有吸引力。这项工作推进了深度学习模型在医学图像分析中

0的性能和能力，为医疗专业人员提供了更快、更准确的诊断工具。代码公

5

2开发布于GitHub。

:

v

iKeywords:医学图像分割·扩散变压器·皮肤病变分割。

x

r

a

1介绍

皮肤癌是全球重要的健康问题之一，其早期检测对于提高生存率至关重

要。医学图像分割在这一过程中发挥着重要作用，通过实现精确的病灶边界

划分。成功的自动图像分割方法之一是深度学习，它彻底改变了该领域，诸

如U-Net[18]和DeepLabV3+[3]等卷积神经网络（CNN）展示了有趣的表

现。然而，CNN在处理长距离依赖关系时可能会遇到困难，限制了它们分

割复杂或不规则形状病灶的能力。作为替代方案，受自然语言处理（NLP）

ThesupportsofTotalEnergiesandSorbonneUniversityAbuDhabiarefullyacknowledged(Ab-

denourHadid).

2SE.Bekhoucheetal.

和视觉领域成功启发的Transformers[20]，通过自注意力捕捉全局上下文提

供了一个有吸引力的解决方案，模