Neuro-TransUNet: Segmentation of stroke lesion in MRI using transformers

这项研究介绍了Neuro-TransUNet框架，该框架将U-Net的空间特征提取与SwinUNETR的全局上下文处理能力相结合，进一步通过先进的特征融合和分割合成技术增强。综合数据预处理管道提高了框架的效率，其中包括重采样、偏差校正和数据标准化，增强了数据质量和一致性。消融研究证实了U-Net与SwinUNETR的先进集成以及数据预处理管道对性能的显著影响，并证明了该模型的有效性。使用ATLAS v2.0训练数据集训练的提出的Neuro-TransUNet模型优于现有的深度学习算法，建立了中风损伤分割的新基准。

本论文旨在解决使用MRI对中风损伤进行准确分割的问题，该问题由于大脑复杂的解剖结构和不同类型的损伤而具有一定的困难性。

该论文提出了一种名为Neuro-TransUNet的框架，将U-Net的空间特征提取与SwinUNETR的全局上下文处理能力相结合，进一步通过先进的特征融合和分割合成技术进行增强。

该论文的实验设计了全面的数据预处理流程，包括重采样、偏差校正和数据标准化，提高了数据质量和一致性。论文的亮点包括提出的Neuro-TransUNet模型在ATLAS v2.0训练数据集上的表现优于现有的深度学习算法，并在中风损伤分割领域建立了新的基准。

在该领域的相关研究包括使用深度学习进行MRI图像分割的研究，如U-Net、Swin Transformer等。