فهرست نشریات علمی دسترسی آزاد ایران

ناحیه‌بندی خودکار و دقیق تومورهای مغزی از تصاویر تشدید مغناطیسی، نقشی حیاتی در تشخیص، برنامه‌ریزی درمان و نظارت بر بیماری دارد. معماری‌های مبتنی بر CNN در استخراج ویژگی‌های محلی توانمند هستند اما در درک زمینه سراسری تصویر با محدودیت مواجه‌اند. مدل‌های ترنسفورمر در مدل‌سازی وابستگی‌های دوربرد و سراسری برتری دارند و مشکلات مدل‌های مبتنی بر CNN را در این زمینه رفع می‌کنند. در این مقاله، ما یک معماری ترکیبی نوین U-شکل پیشنهاد می‌کنیم که از نقاط قوت هر دو رویکرد بهره می‌برد. مدل ما از یک ستون فقرات مبتنی بر Swin-Transformer پیش‌آموخته به عنوان رمزگذار برای استخراج ویژگی‌های سلسله‌مراتبی و غنی از زمینه سراسری استفاده می‌کند. نوآوری اصلی این معماری، معرفی دو ماژول توجه فضایی پیشرفته برای پالایش و تطبیق ویژگی‌های استخراج‌شده از رمزگذار با دامنه پزشکی و ماژول افزایش مقیاس به کمک توجه کانالی در رمزگشا برای باز-وزن‌دهی انطباقی و بهینه اطلاعات دریافتی از اتصالات پرشی است. ارزیابی‌های انجام‌شده بر روی مجموعه داده چالش‌برانگیز BRISC نشان داد که روش پیشنهادی ما با دستیابی به امتیاز %6/80 در IoU وزنی و %6/88 در Dice، از مدل‌های پیشرفته پیشین عملکرد بهتری داشته و کارایی ترکیب ترنسفورمر با مکانیزم‌های توجه دوگانه را اثبات می‌کند.