换一批基于图卷积与Transformer的缺失模态脑肿瘤分割
Missing Modality Brain Tumor Segmentation Based on Graph Convolution and Transformer
摘要多模态磁共振成像(MRI)在脑肿瘤分割中具有重要应用,但模态缺失问题在临床中普遍存在,导致肿瘤区域细节丢失及模态间关联性遭到破坏等问题,显著降低分割性能.为此,该文提出一种基于图卷积与Transformer融合的缺失模态脑肿瘤分割模型.模型首先采用三维卷积与MBConv结合的编码器模块提取局部特征,并利用三维适配器捕获脑肿瘤的空间信息,增强模态内特征表达能力.随后,设计了动态图卷积-Transformer融合模块:其中,动态图卷积用于生成模态相关性矩阵,捕获模态间局部依赖关系,并结合掩码机制有效处理模态缺失;同时,Transformer模块则通过自注意力机制建模模态与肿瘤区域的全局相关性与上下文信息,从而显著提升特征融合鲁棒性.在BraTS2018和BraTS2020数据集上的实验结果表明,该模型在完整肿瘤、肿瘤核心及增强肿瘤区域的平均Dice系数较M2FTrans分别提升1.36百分点、1.28百分点和1.39百分点,验证了其在模态缺失场景下的优越性.
更多相关知识
关键词
脑肿瘤分割缺失模态三维适配器动态图卷积Transformerbrain tumor segmentationmissing modalitythree-dimensional adapterdynamic graph convolutionTransformer
栏目名称
DOI
10.20165/j.cnki.ISSN1673-629X.2025.0064
发布时间
2025-08-01（万方平台首次上网日期，不代表论文的发表时间）
基金项目
四川省自然科学基金项目（2022NSFSC0571）
四川省科技厅项目（2018JY0273）
- 浏览2
- 被引3
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
