面向多模态 MRI 脑肿瘤分割的 Hyper-Connections
计算机视觉与模式识别
2026-03-27 v2
摘要
我们首次研究了用于体积性多模态脑肿瘤分割的 Hyper-Connections（HC），将其作为固定残差连接在五种架构中替换：nnU-Net、SwinUNETR、VT-UNet、U-Net 和 U-Netpp。动态 HC 在BraTS 2021数据集上 consistently（持续）改善了所有 3D 模型，虽然参数开销极小，却实现了最高可达 +1.03 百分比的平均 Dice 增益。增益在增强肿瘤子区域最为显著，反映出对细粒边界描绘的改进。模式消除进一步表明，HC 配置的模型对临床主导序列具有更锐利的灵敏度，具体为 T1ce 用于肿瘤核心和增强肿瘤，FLAIR 用于整体肿瘤，这种行为在固定连接基线中不存在，并且在所有架构中保持一致。在 2D 环境中，改进较小且对配置敏感，表明体积空间上下文放大了自适应聚合的益处。这些结果确立了 HC 作为一种简单、高效且广泛适用的多模态特征融合机制在医学图像分割中的应用。
引用
@article{arxiv.2603.19844,
title = {Hyper-Connections for Adaptive Multi-Modal MRI Brain Tumor Segmentation},
author = {Lokendra Kumar and Shubham Aggarwal},
journal= {arXiv preprint arXiv:2603.19844},
year = {2026}
}
备注
29 pages,6 tables,17 figures