{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“讯息”：{“索引”：{“日期部分”：[[2024,5,29]]，“日期时间”：“2024-05-29T05:14:34Z”，“时间戳”：1716959674263}，“参考计数”：33，“出版商”：“工程技术学院（IET）”，“发行”：“1”，“许可证”：[{“开始”：{-“日期部分“：[2023,9,22]]，”日期时间“：“2023-09-22T00:00:00Z”，“timestamp”：1695340800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://\/creativecommons.org\/licenses\/by-nc-nd\/4.0\/”}]，“content-domain”：{“domain”（域）：[“ietreasure.onlinelibrary.wiley.com”]，“crossmark-restriction”（交叉标记限制）：true}，”shortcontainer-title“：[”IET图像处理“]，”published-print“：{“日期部分”：[[2024,1]]}，“摘要”：“摘要<\/jats:title>针对低识别率、高背景噪声的心脏磁共振图像（MRI）的语义分割，基于认知科学和深度学习方法，提出了一种融合\u2010attention Swin Transformer。它有一个U形的对称编码u2013解码结构，带有基于注意u2010的跳过连接。编码器实现了对深度特征表示的self\u2010关注，解码器将全局特征上采样到相应的输入分辨率，用于像素\u2010级分割。通过在编码器和解码器之间引入基于融合注意的跳跃连接，实现了全局信息的远程交互，增强了对局部特征和特定信道的注意。实验使用了一个公共的ACDC心脏MRI图像数据集。实现了左心室、右心室和心肌层的分割。该方法在小样本数据集上表现良好，例如，该模型获得的像素精度为93.68%，Dice系数为92.28%，HD系数为11.18。与2010年最新模型的状态相比，分割精度得到了显著提高，尤其是对于低识别率和严重遮挡的目标<\/jats:p>“，”DOI“：”10.1049\/ipr2.12936“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,9,22]]，”date-time“：”2023-09-22T14:24:06Z“，”timestamp“：1695392646000}，”page“：“105-115”，”update-policy“：“：1，”标题“：[”心脏MRI图像分割的融合\u2010attention swin变换器“]，”前缀“：”10.1049“，”卷“：”18“，”作者“：[{”给定“：”瑞平“，”家庭“：”杨“，”序列“：”第一“，”隶属“：[}”名称“：”山东科技大学经济管理学院“}]}，{”ORCID“：”http:\/\/orcid.org\/00000-0002-7349-8730“，“authenticated-orcid”：false，“given”：“Kun”，“family”：“Liu”，“sequence”：“additional”，“affiliation”：[{“name”：“中国山东科技大学计算机科学与工程学院”}]}，{“orcid”：涌泉”，“家庭”：“梁”，“序列”：“附加”，“隶属关系”：[{“名称”：“中国青岛科技大学计算机科学与工程学院”}]}]，“成员”：“265”，“在线发布”：{“日期-部件”：[[2023,9,22]]}，“引用”：[}“密钥”：“e_1_2_9_2_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1016\/j.knosyss.2021.106776”}，{“key”：“e_1_2_9_3_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1049\/ipr2.12165“}，{”key“：”e_1_i_9_4_1“，”doi-assert-by“：”crossref“，“unstructured”：“Ronneberger O.Fischer P。Brox T.：U\u2010Net：生物医学图像分割的卷积网络。收录于：《国际医学图像计算与计算机辅助干预会议》第234\u2013241.Springer Cham（2015）页，“DOI”：“10.1007\/978-3-319-24574-4_28”}，{“key”：“e_1_2_9_5_1”，“DOI-asserted-by”：“crossref”、“unstructured”：“Zhou Z.Rahman Siddiquee M.M.M.Tajbakhsh N。Liang J.：U\u2010Net++：用于医学图像分割的嵌套U\u2010 Net架构。In：医学图像分析中的深度学习和临床决策支持的多模态学习pp.3\u201311.Springer Cham（2018）“，”DOI“：”10.1007\/978-3-030-00889-5_1“}，｛”key“：”e_1_2_9_6_1“，”DOI断言“：”crossref“，”非结构化“：”Xiao X.Lian S.Luo Z。Li S.：针对高质量视网膜血管分割的加权RES\u2010Unet。收录于：2018年第九届医学和教育信息技术国际会议（ITME）pp.327\u2013331.IEE Piscataway NJ（2018）“，”DOI“：”10.1109\/ITME.2018.00080“}，{“key”：“e_1_2_9_7_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1109\/TMI.2018.2845918”}，“key“：”e_1_ 9_8_1“，”DOI-assert-by“：”crossref“，“unstructured”：“Alom M.Z.Hasan M。Yakopcic C.Taha T.M.Asari V.K.：基于U\u2010Net（r2u\u2010Net）的递归残差卷积神经网络，用于医学图像分割。arXiv:180206955（2018）“，”DOI“：”10.1109\/NAECON.2018.8556686“}，{”key“：”e_1_2_9_9_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Valanarasu J.M.J.Sindagi V.A.Hacihaliloglu I。Patel V.M.：Kiu\u2010net：使用2010年以上的完整表示实现生物医学图像的精确分割。收录于：国际医学图像计算与计算机辅助干预会议，第363页，2013373.Springer Cham（2020），“DOI”：“10.1007”，978-3-030-59719-1_36“}，{“key”：“e_1_2_9_10_1”，“DOI-asserted-by”：“交叉引用”，“非结构化”：“黄H.林L.童R.胡H.张Q.Iwamoto Y.韩X。陈Y.\u2010W。Wu J.：UNet 3+：用于医学图像分割的全尺寸连接UNet。在：ICASSP 2020 \u20102020 IEEE声学语音和信号处理国际会议（ICASSP）pp.1055\u20131059.IEEE Piscataway NJ（2020）“，”DOI“：”10.1109 \/ICSPSP40776.2020.9053405“}，{“key”：“e_1_2_9_11_1”，“unstructured”：“Oktay O.Schlemper J.Folgoc L.L.L.L.Lee M.Heinrich M.Misawa K.Mori K.McDonagh S.Hammerla N.Y。Kainz B.等人：注意U\u2010Net：学习在哪里寻找胰腺。arXiv:180403999（2018）“}，{“key”：“e_1_2_9_12_1”，“doi-asserted-by”：“publisher”，“doi”：“10.3389\/fgene.2019.01110”}，“key“：”e_1_i_9_13_1“，”doi-assert-by“：”publisher“，“10.1109\/TNNLS.2020.2984955”}，{“key”：“e_1_2_9_15_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1016\/j.media.2021.102170“}，{“key”：“e_1_2_9_16_1”，“article-title”：“AMMU:A surview of transformer\u2010 based生物医学预处理语言模型”，“volume”：”16“，“author”：“Kalyan K.S.”，“year”：“2021”，“journal-title“：”j.Biomed.Inf.吴振江Y.G。Lim S.\u2010编号：ADAVIT：用于高效图像识别的自适应视觉变换器。收录于：IEEE计算机视觉和模式识别会议论文集第12309\u201312318.IEEE Piscataway NJ（2022）“，”DOI“：”10.1109“/CVPR52688.2022.01199“}，{”key“：”e_1_2_9_18_1“，”first page“：“10347”，”article-title“：”Training data\u2010高效图像变换器和注意力蒸馏“，”volume“”：“139”，“author”：“Touvron H.“，“年份”：“2021年”，“新闻标题”：“Proc。机器。学习。Res.“}，{”key“：”e_1_2_9_19_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Wang Y.Xu Z.Wang X.Shen C.Cheng B.Shen H.Xia H.：End\u2010to\u2010end video instance segmentation with transformers.In:Proceedings of the IEEE\/CVF Conference on Computer Vision and Pattern Recognition pp.8741\u20138750.IEEE Piscataway NJ（2021）”，“doi”：10.1109\/CVPR46437.2021.00863“}，{“key”：“e_1_2_9_20_1”，“doi-asserted-by”：“crossref”、“unstructured”：“郑S.Lu J.Zhao H.Zhu X.Luo Z.Wang Y.Fu Y.Feng J.Xiang T。Torr P.H.等人：用transformers从sequence\u2010到\u2010序列的角度重新思考语义分割。收录于：IEEE计算机视觉和模式识别会议论文集第6881\u20136890.IEEE Piscataway NJ（2021）页，“DOI”：“10.1109”，{“key”：“e_1_2_9_21_1”，“DOI-asserted-by”：“crossref”，“unstructured”：“Carion N.Massa F.Synnaeve G.Usunier N.Kirillov A。Zagoruyko S.：End\u2010to\u2010end使用变压器检测物体。在：欧洲计算机视觉会议第213\u2013229.Springer Cham（2020）“，”DOI“：”10.1007\/978-3-030-58452-8_13“}，｛”key“：”e_1_2_9_22_1“，”DOI断言“：”crossref“，”非结构化“：”Misra I.Girdhar R。Joulin A.：用于3D物体检测的end\u2010-to-u2010end变压器模型。收录于：IEEE计算机视觉国际会议论文集第2906页\u20132917.Springer Cham（2021）“，”DOI“：”10.1109“/ICCV48922.2021.00290“}，{”key“：”e_1_2_9_23_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Zhang B.Gu S.Zhang B.Bao J.Chen D.Wen F.Wang Y。郭波：Styleswin:基于Transformer\u2010的GAN，用于生成高分辨率图像。收录于：IEEE计算机视觉与模式识别会议论文集第11304\u201311314.IEEE Piscataway NJ（2022）页，“DOI”：“10.1109”，{“key”：“e_1_2_9_24_1”，“unstructured”：“Zhu X.Su W.Lu L.Li B.Wang X。Dai J.：可变形DETR：用于2010年末至2010年末物体检测的可变形变压器。arXiv:20104159（2020）“}，{“key”：“e_1_2_9_25_1”，“unstructured”：“Dosovitskiy A.Beyer L.Kolesnikov A.Weissenborn D.Zhai X.Unterthiner T.Dehghani M.Minderer M.Heigold G.Gelly S.et \u00a0al.：图像价值16\u00d7 16个单词：大规模图像识别的变形金刚。arXiv:201011929（2020）”}，}“key”：“e1_9_26_1”。Lu Y.Yu Q.Luo X.Adeli E.Wang Y.Lu L.Yuille A.L.Zhou Y.：TransUNet：变形金刚为医学图像分割制作了强大的编码器。arXiv:210204306（2021）“}，{”key“：”e_1_2_9_27_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Zhang Y.Liu H.Hu Q.：Transfuse:融合变压器和CNNS用于医学图像分割。In:国际医学图像计算与计算机会议\u2010辅助干预，pp.14\u201324.Springer Cham（2021年）”，“doi”：“10.1007\/978-3-030-87193-2_2“}，{“key”：“e_1_2_9_28_1”，“doi-asserted-by”：“crossref”，”unstructured“：“Liu Z.Lin Y.Cao Y.Hu H.Wei Y.Zhang Z.Lin S.Guo B.：Swin transformer:Hierarchical vision transformer using using shift windows.In:Proceedings of the IEEE\/CVF International Conference on Computer vision pp.10012\u201310022.IEEE Piscataway NJ（2021）“，”DOI“：”10.1109\/ICCV48922.2021.00986“}，{”key“：”e_1_2_9_29_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/TMI.2018.2837502”}，“{”key“：“e_1_i_9_30_1”，“article-title”：“短轴心脏MRI分割算法的评估框架”，“volume”：“49”，“author”：“Radau P.”，”year“：”2009“，”journal-title“：”MIDAS J“}，{“键”：“e_1_2_9_31_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.asoc.2019.105524“}，{“key”：“e_1_2_9_32_1”，“doi-assert-by”：“crossref”，“unstructured”：“Milletari F.Navab N.Ahmadi S.A.：V\u2010Net:用于体积医学图像分割的完全卷积神经网络。In:2016年第四届国际3D视觉会议（3DV）pp.565\u2013571.IEEE Piscataway NJ（2016）“，“DOI”：“10.1109\/3DV.2016.79”}，{“key”：“e_1_2_9_33_1”，“DOI-asserted-by”：“crossref”、“unstructured”：“Liu D.Gao Y.Zhang Li Q.Han L.He X.Xia Z.Wen S.Chang Q.Yan Z。Zhou M.等人：输血：使用Transformer进行医学图像分割的Multi\u2010view发散融合。In:医学图像计算与计算机辅助干预\u2013MICCAI 2022:第25届国际会议pp.485\u2013495.Springer Cham（2022）“，”DOI“：”10.1007\/978-3-031-16443-9_47“}，{“key”：“e_1_2_9_34_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Cao H.Wang Y.Chen J.Jiang D.Zhang X.Tian Q。王明：Swin\u2010unet:Unet\u2010like纯变压器用于医学图像分割。In:欧洲计算机视觉会议pp.205\u2013218.Springer Cham（2022）“，”DOI“：”10.1007\/978-3-031-25066-8_9“}]，”container-title“：[”IET图像处理“]，”original-title”：[]，”language“：”en“，”deposed“：{”date-parts“：[2024,18]]，”date-time“：”2024-01-18T07:45:45Z“，”timestamp“：1705563945000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/ietresearch.onlinelibrary.wiley.com/doi\/10.1049\/ipr2.12936“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2023,9,22]]}，“引用计数”：33，”新闻发布“：“]，”URL“：”http://\/dx.doi.org\/10.1049\/ipr2.12936“，”存档“：[”门廊“]，”关系“：{}，”ISSN“：[”1751-9659“，”1751-9967“]，“ISSN-type”：[{“value”：“1751-9655”，“type”:“print”}，{“value”：“1741-9667”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2023,9,22]}，“assertion”：[[{”value“：“2023-03-01”，“order”：0，“name”：“received”，“标签“：”已接收“，”组“：{“name”：“publication_history”，“label”：“出版历史“}}，{“值”：“2023-09-12”，“顺序”：1，“名称”：“接受”，“标签”：“接收”，“组”：{“名称”:“公开历史”，“标号”：“出版历史”}}