UPMAD-Net：一种具有不确定性引导和自适应多模态特征融合的脑肿瘤分割网络
计算机视觉与模式识别
2025-05-07 v1
摘要
背景：脑肿瘤分割对脑肿瘤的诊断和治疗具有重要影响。由于脑肿瘤形状不规则、边界模糊且变异性高，精确的脑肿瘤分割仍然具有挑战性。目的：我们提出一种将深度学习与区域生长算法导出的先验知识相结合的脑肿瘤分割方法。方法：该方法利用多尺度特征融合（MSFF）模块和自适应注意力机制（AAM）来提取多尺度特征并捕获全局上下文信息。为了增强模型在低置信度区域的鲁棒性，采用了蒙特卡洛丢弃（MC Dropout）策略进行不确定性估计。结果：大量实验表明，该方法在脑肿瘤分割（BraTS）数据集上取得了优越的性能，显著优于多种最先进的方法。在BraTS2021数据集上，增强肿瘤（ET）分割的测试Dice分数为89.18%，全肿瘤（WT）分割为93.67%，肿瘤核心（TC）分割为91.23%。在BraTS2019验证集上，ET、WT和TC分割的验证Dice分数分别为87.43%、90.92%和90.40%。消融研究进一步证实了每个模块对分割精度的贡献，表明每个组件在整体性能提升中都发挥了至关重要的作用。结论：本研究提出了一种基于U-Net架构的新型3D脑肿瘤分割网络。通过引入先验知识并采用不确定性估计方法，提高了模型的鲁棒性和性能。该方法的代码可在https://github.com/chenzhao2023/UPMAD_Net_BrainSeg获取。
引用
@article{arxiv.2505.03494,
title = {UPMAD-Net: A Brain Tumor Segmentation Network with Uncertainty Guidance and Adaptive Multimodal Feature Fusion},
author = {Zhanyuan Jia and Ni Yao and Danyang Sun and Chuang Han and Yanting Li and Jiaofen Nan and Fubao Zhu and Chen Zhao and Weihua Zhou},
journal= {arXiv preprint arXiv:2505.03494},
year = {2025}
}
备注
21 pages, 7 figures