LATUP-Net：用于脑肿瘤分割的轻量级3D注意力U-Net与并行卷积
图像与视频处理
2024-11-26 v2 计算机视觉与模式识别
摘要
从磁共振成像（MRI）扫描中进行早期3D脑肿瘤分割对于及时有效的治疗至关重要。然而，由于肿瘤的复杂异质性，这一过程面临精确描绘的挑战。此外，能源可持续性目标和资源限制，特别是在发展中国家，需要高效且可及的医学成像解决方案。所提出的架构，一种轻量级3D注意力U-Net与并行卷积，LATUP-Net，解决了这些问题。它专门设计用于显著降低计算需求，同时保持高分割性能。通过结合并行卷积，它通过捕获多尺度信息增强了特征表示。它进一步集成了注意力机制，通过选择性特征重新校准来细化分割。LATUP-Net取得了有前景的分割性能：在BraTS 2020数据集上，整个肿瘤、肿瘤核心和增强肿瘤的平均Dice分数分别为88.41%、83.82%和73.67%；在BraTS 2021数据集上，分别为90.29%、89.54%和83.92%。Hausdorff距离度量进一步表明其描绘肿瘤边界的能力有所提高。由于其显著降低的计算需求，仅使用3.07M参数，比其他最先进模型少约59倍，并在单个NVIDIA GeForce RTX3060 12GB GPU上运行，LATUP-Net仅需15.79 GFLOPs。这使其成为实际临床应用中一个有前景的解决方案，特别是在资源有限的环境中。利用梯度加权类激活映射和混淆矩阵对模型可解释性的研究表明，虽然注意力机制增强了小区域的分割，但其影响是微妙的。代码可在https://qyber.black/ca/code-bca获取。
引用
@article{arxiv.2404.05911,
title = {LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation},
author = {Ebtihal J. Alwadee and Xianfang Sun and Yipeng Qin and Frank C. Langbein},
journal= {arXiv preprint arXiv:2404.05911},
year = {2024}
}