MBDRes-U-Net: 多尺度轻量级脑肿瘤分割网络
图像与视频处理
2024-11-05 v1 人工智能
计算机视觉与模式识别
摘要
精确分割脑肿瘤在脑肿瘤疾病的诊断与治疗中发挥关键作用。它是量化肿瘤并提取其特征的关键技术。随着深度学习方法的广泛应用，计算负担已逐步加重。为实现具有良好分割性能的轻量级模型，本研究提出了 MBDRes-U-Net 模型，采用三维（3D）U-Net 编解码框架，将多分支残差块与融合注意力集成到模型中。通过分支策略降低模型的计算负担，有效利用多模态图像中丰富的局部特征，并增强子肿瘤区域的分割性能。此外，在编码过程中，将自适应加权扩张卷积层引入多分支残差块，丰富了特征表达，提升了模型的分割精度。在脑肿瘤分割挑战赛（BraTS）2018 和 2019 数据集上的实验表明，该架构在显著降低计算开销的同时可维持较高的脑肿瘤分割精度。我们的代码已发布于 https://github.com/Huaibei-normal-university-cv-laboratory/mbdresunet
引用
@article{arxiv.2411.01896,
title = {MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network},
author = {Longfeng Shen and Yanqi Hou and Jiacong Chen and Liangjin Diao and Yaxi Duan},
journal= {arXiv preprint arXiv:2411.01896},
year = {2024}
}
备注
Brain tumor segmentation, lightweight model, Brain Tumor Segmentation (BraTS) Challenge, group convolution