利用通道注意力与迁移学习增强脑肿瘤分割
图像与视频处理
2025-01-22 v1 计算机视觉与模式识别
摘要
在临床实践中,脑肿瘤的准确高效分割对于诊断、治疗规划与监测至关重要。本研究提出了一种增强型 ResUNet 架构用于自动脑肿瘤分割,集成了 EfficientNetB0 编码器、通道注意力机制以及 Atrous Spatial Pyramid Pooling (ASPP) 模块。EfficientNetB0 编码器利用预训练特征以提升特征提取效率,通道注意力机制增强模型对肿瘤相关特征的关注,ASPP 则实现多尺度上下文学习,对处理不同大小与形状的肿瘤至关重要。所提模型在两个基准数据集 TCGA LGG 与 BraTS 2020 上进行了评估。实验结果表明,我们的方法始终优于基线 ResUNet 及其 EfficientNet 变体,在 BraTS 2020 数据集上,全肿瘤与肿瘤核心区域的 Dice 系数分别达到 0.903 与 0.851,HD95 得分分别为 9.43 与 3.54。与最先进方法相比,我们的方法表现出具有竞争力的性能,尤其在全肿瘤与肿瘤核心分割方面。这些结果表明,将强大的编码器与注意力机制及 ASPP 相结合可显著提升脑肿瘤分割性能。所提方法有望进一步优化并应用于其他医学图像分割任务。
引用
@article{arxiv.2501.11196,
title = {Enhancing Brain Tumor Segmentation Using Channel Attention and Transfer learning},
author = {Majid Behzadpour and Ebrahim Azizi and Kai Wu and Bengie L. Ortiz},
journal= {arXiv preprint arXiv:2501.11196},
year = {2025}
}
备注
13 pages, 1 figure