基于EMCAD的脑肿瘤分割：高效多尺度卷积注意力解码
计算机视觉与模式识别
2025-09-09 v1 人工智能
机器学习
摘要
脑肿瘤分割是医学图像分析管道中的关键前处理步骤，涉及从医学影像数据（尤其是MRI扫描）中对肿瘤区域与健康脑组织进行精确描绘。在计算资源有限的情况下，高效且有效的解码机制尤为重要。然而，这些解码机制通常伴随高计算成本。为此，本文采用EMCAD（Efficient Multi-scale Convolutional Attention Decoding），一种新型高效多尺度卷积注意力解码器，以优化表征和计算效率，用于BraTs2020数据集上（包含369名脑肿瘤患者的MRI扫描）的脑肿瘤分割。模型获得的最佳Dice分数为0.31，在整个训练过程中保持稳定的平均Dice分数为0.285±0.015，属于中等水平。初始模型在验证集上保持一致的性能，且未表现出过拟合迹象。
引用
@article{arxiv.2509.05431,
title = {Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding},
author = {GodsGift Uzor and Tania-Amanda Nkoyo Fredrick Eneye and Chukwuebuka Ijezue},
journal= {arXiv preprint arXiv:2509.05431},
year = {2025}
}