multiPI-TransBTS：基于多物理信息的脑肿瘤图像分割多路径学习框架
图像与视频处理
2024-09-19 v1 计算机视觉与模式识别
摘要
脑肿瘤分割 (BraTS) 在临床诊断、治疗规划及监测脑肿瘤进展中发挥关键作用。然而，由于肿瘤在不同 MRI 模态下的外观、大小及强度存在差异，自动化分割仍具挑战性。本研究提出一种新型基于 Transformer 的框架 multiPI-TransBTS，通过整合多物理信息来提高分割精度。该模型利用空间信息、语义信息及多模态成像数据，解决脑肿瘤特征内在的异质性问题。multiPI-TransBTS 框架包括编码器、自适应特征融合 (AFF) 模块及多源多尺度特征解码器。编码器采用多分支结构分别提取不同 MRI 序列的模态特定特征。AFF 模块通过通道级和元素级注意力融合来自多个来源的信息，确保有效特征再校准。解码器通过任务特定特征引入 (TSFI) 策略整合常见特征和任务特定特征，生成 Whole Tumor (WT)、Tumor Core (TC) 和 Enhancing Tumor (ET) 区域的准确分割输出。对 BraTS2019 和 BraTS2020 数据集进行的全面评估表明，multiPI-TransBTS 在多个指标上优于当前最先进的方法，显著提升了分割性能。
关键词
引用
@article{arxiv.2409.12167,
title = {multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information},
author = {Hongjun Zhu and Jiaohang Huang and Kuo Chen and Xuehui Ying and Ying Qian},
journal= {arXiv preprint arXiv:2409.12167},
year = {2024}
}