nnU-Net 用于脑肿瘤分割的多尺度编码器与全息维动态卷积丰富
图像与视频处理
2024-09-23 v1 计算机视觉与模式识别
摘要
脑肿瘤分割在计算机辅助诊断中起着关键作用。本研究引入了一种新型分割算法,利用修改后的 nnU-Net 架构。我们在 nnU-Net 架构的编码器部分通过融合全息维动态卷积层来增强常规卷积层,从而提高特征表示。同时,我们提出了一种多尺度注意力策略,利用来自不同尺度的当代见解。我们在来自 BraTS-2023 挑战的多样化数据集上演示了该模型的有效性。将全息维动态卷积 (ODConv) 层和多尺度特征整合到 nnU-Net 架构中后,可显著提升该架构在多个肿瘤分割数据集上的性能。值得注意的是,我们提出的模型在 BraTS 非洲数据集上能够实现良好的验证准确率。ODConv 源代码以及完整的训练代码均已在 GitHub 上提供。
引用
@article{arxiv.2409.13229,
title = {Multiscale Encoder and Omni-Dimensional Dynamic Convolution Enrichment in nnU-Net for Brain Tumor Segmentation},
author = {Sahaj K. Mistry and Sourav Saini and Aashray Gupta and Aayush Gupta and Sunny Rai and Vinit Jakhetiya and Ujjwal Baid and Sharath Chandra Guntuku},
journal= {arXiv preprint arXiv:2409.13229},
year = {2024}
}
备注
9 pages, 3 figures. Accepted at MICCAI 2023, to be published in Springer LNCS. GitHub: https://github.com/i-sahajmistry/nnUNet_BraTS2023