一种用于MRI脑肿瘤自动分割的新型SLCA-UNet架构
图像与视频处理
2023-07-18 v1 计算机视觉与模式识别
摘要
脑肿瘤被认为是一种严重的健康并发症，会导致个体预期寿命降低，并且也是全球范围内显著的死亡原因。因此，及时检测和预测脑肿瘤有助于降低脑肿瘤导致的死亡率。生物医学图像分析是诊断脑肿瘤的广为人知的解决方案。尽管MRI是目前肿瘤成像的标准方法，但其临床效用受到手动分割耗时要求的限制。基于深度学习的方法已成为开发自动化生物医学图像探索工具的有前景解决方案，且UNet架构常用于分割。然而，传统UNet在复杂性、训练、准确性以及上下文信息处理方面存在局限。因此，融合了残差密集块、分层注意力与通道注意力模块以及堆叠卷积的修正UNet架构，能够有效捕获粗粒度和细粒度特征信息。所提出的SLCA UNet方法在公开可用的脑肿瘤分割（BraTS）数据集上取得良好性能，在BraTS 2020数据集上，其Dice、灵敏度、特异度和Hausdorff95的平均值分别为0.845、0.845、0.999和8.1。
引用
@article{arxiv.2307.08048,
title = {A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation},
author = {Tejashwini P S and Thriveni J and Venugopal K R},
journal= {arXiv preprint arXiv:2307.08048},
year = {2023}
}