换一批融合多重自注意力和可变形卷积的多模态脑胶质瘤分割
Multimodal Glioma Segmentation with Fusion of Multiple Self-attention and Deformable Convolutions
摘要脑胶质瘤的磁共振图像分割对于脑肿瘤的诊断、手术规划以及放疗等治疗方案的确定具有非常重要的意义.针对现有脑肿瘤分割算法分割精度不高边缘分割不精确,易出现假阳性的问题,本文提出一种基于多重自注意力和可变形卷积的Unet改进模型.模型将原始Unet框架的标准卷积替换为残差模块,以防止模型训练过程中出现梯度消失;通过在瓶颈层加入基于Transformer的多重自注意力模块来提取局部特征和全局上下文信息,以更好地挖掘像素间的相关性;在跨层连接处采用可变形卷积来增强模型对形状感知的敏感性,以提升肿瘤边缘特征的提取能力.实验结果表明,所提算法的分割结果评价指标高于使用同样数据集的其他对比模型,而且对肿瘤边缘的分割更加精确.这表明本文算法是一种有效的脑胶质瘤自动分割算法.
更多相关知识
关键词
图像分割脑胶质瘤UnetTransformer自注意力可变形卷积image segmentationgliomaUnetTransformer self-attentiondeformable convolution
栏目名称
DOI
10.11938/cjmr20233059
发布时间
2023-09-25（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（81971693）
- 浏览30
- 被引7
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
