用于三维脑肿瘤分割的注意力增强混合特征聚合网络
图像与视频处理
2024-12-31 v1 计算机视觉与模式识别
机器学习
摘要
胶质母细胞瘤是一种高度侵袭性和恶性的脑肿瘤类型，需要早期诊断和及时干预。由于其外观的异质性，开发自动检测方法具有挑战性。为应对这一挑战，医疗保健中人工智能驱动的方法在有效诊断和评估脑肿瘤方面引起了兴趣。脑肿瘤分割挑战赛(BraTS)是一个使用高质量、临床获取的MRI数据开发和评估肿瘤分析自动化技术的平台。在我们的方法中，我们利用了一个多尺度、注意力引导的混合U-Net形状模型——GLIMS——来执行三个区域的三维脑肿瘤分割：增强肿瘤(ET)、肿瘤核心(TC)和全肿瘤(WT)。多尺度特征提取在高分辨率下提供了更好的上下文特征聚合，而Swin Transformer模块在模型更深层次改善了全局特征提取。解码器分支中的分割掩码生成由从编码器分支收集的注意力精炼特征引导，以增强重要属性。此外，使用层次监督来有效训练模型。我们的模型在验证集上的性能在WT、TC和ET区域分别达到了92.19、87.75和83.18的Dice分数，以及89.09、84.67和82.15的病灶级Dice分数。代码公开于https://github.com/yaziciz/GLIMS。
引用
@article{arxiv.2403.09942,
title = {Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation},
author = {Ziya Ata Yazıcı and İlkay Öksüz and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:2403.09942},
year = {2024}
}
备注
Accepted at 9th BrainLes Workshop (BraTS 2023 Challenge) @ International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2023