通过基于注意力的3D U-Net架构和数字图像处理推进脑肿瘤分割
计算机视觉与模式识别
2025-10-23 v1
摘要
在医学诊断领域，人工智能(AI)的快速发展显著提升了脑肿瘤分割的性能。编码器-解码器架构，如U-Net，通过从磁共振成像(MRI)扫描中有效提取有意义的表示，在3D脑肿瘤分割中发挥了变革性作用。然而，标准U-Net模型在准确描绘肿瘤区域时面临挑战，尤其是在处理不规则形状和模糊边界时。此外，在高分辨率MRI数据（如BraTS数据集）上训练鲁棒的分割模型需要高计算资源，并且常常面临类别不平衡的挑战。本研究提出将注意力机制集成到3D U-Net模型中，使模型能够捕捉复杂细节并在分割过程中优先处理信息丰富的区域。此外，利用基于数字图像处理技术的肿瘤检测算法来解决训练数据不平衡和减轻偏差的问题。本研究旨在提升脑肿瘤分割的性能，最终提高诊断的可靠性。为实现这一目标，我们在BraTS 2020数据集上使用各种性能指标对所提出的模型进行了全面评估。获得的结果表明，该模型优于相关研究，Dice系数为0.975，特异度为0.988，灵敏度为0.995，表明所提出的模型在改进脑肿瘤分割方面的有效性，为临床环境中的可靠诊断提供了有价值的见解。
引用
@article{arxiv.2510.19109,
title = {Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing},
author = {Eyad Gad and Seif Soliman and M. Saeed Darweesh},
journal= {arXiv preprint arXiv:2510.19109},
year = {2025}
}