换一批坐标增强与多源采样的脑肿瘤图像分割
Coordinate enhancement and multi-source sampling for brain tumor image segmentation
摘要针对脑肿瘤图像分割模型对肿瘤区域关注度不够及易丢失空间上下文信息,导致对肿瘤区域分割效果不佳的问题,提出一种融合坐标增强学习机制(CEL)与多源采样的TransUNet脑肿瘤分割网络.首先,提出一种CEL,结合ResNetv2作为模型的浅层特征提取网络,增加对脑肿瘤区域的关注度;其次,设计深层混合采样特征提取器,并利用可变形注意力与自注意力机制对脑肿瘤的全局与局部信息进行多源采样;最后,在编码器与解码器之间设计交互层级融合(ILF)模块,从而在实现深层与浅层特征信息交互的同时减少参数的计算量.在BraTS2018和BraTS2019数据集上的实验结果表明:相较于基准TransUNet,所提模型的平均相似性系数(mDice)、平均交并比(mIoU)、平均精度均值(mAP)和平均召回率(mRecall)分别提高4.84、7.21、3.83和3.15个百分点,模型大小降低了16.9 MB.
更多相关知识
关键词
图像分割多模态信息坐标增强学习机制混合采样交互层级融合模块image segmentationmulti-modal informationCoordinate Enhanced Learning mechanism(CEL)blended samplingInteractive Level Fusion(ILF)module
栏目名称
DOI
10.11772/j.issn.1001-9081.2024030359
发布时间
2025-04-03（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
