EfficientGFormer: 通过剪枝图增强Transformer实现多模态脑肿瘤分割
计算机视觉与模式识别
2025-08-05 v1
摘要
由于肿瘤亚区的异质性以及体积推理的高计算成本，准确高效的脑肿瘤分割仍然是神经影像学中的一个关键挑战。在本文中，我们提出了EfficientGFormer，一种新颖的架构，它集成了预训练基础模型、基于图的推理和轻量级效率机制，用于鲁棒的3D脑肿瘤分割。我们的框架利用nnFormer作为模态感知编码器，将多模态MRI体积转换为块级嵌入。这些特征被结构化为一个双边缘图，同时捕获空间邻接和语义相似性。一个经过剪枝的、边缘类型感知的图注意力网络（GAT）能够跨肿瘤亚区进行高效的关系推理，同时一个蒸馏模块将知识从全容量教师模型转移到紧凑的学生模型，以实现实时部署。在MSD Task01和BraTS 2021数据集上的实验表明，EfficientGFormer以显著减少的内存和推理时间实现了最先进的准确性，优于最近的基于Transformer和基于图的基线方法。这项工作为快速准确的体积肿瘤描绘提供了一种临床可行的解决方案，结合了可扩展性、可解释性和泛化性。
引用
@article{arxiv.2508.01465,
title = {EfficientGFormer: Multimodal Brain Tumor Segmentation via Pruned Graph-Augmented Transformer},
author = {Fatemeh Ziaeetabar},
journal= {arXiv preprint arXiv:2508.01465},
year = {2025}
}