换一批融合视觉状态空间与深度可分离卷积的脑胶质瘤MRI分割方法
Brain glioma MRI segmentation method integrating visual state space and depthwise separable convolution
摘要目的:为提高对脑胶质瘤MRI图像的分割精度,增强对肿瘤全局浸润性及复杂边界的处理能力,提出一种状态空间增强的上下文与边界感知分割网络(SCB-UNet).方法:首先,在编码器中引入VMamba模块,利用视觉状态空间机制高效建立图像全局依赖关系,以增强模型对肿瘤整体结构的感知能力.其次,在解码器中设计多尺度视觉状态空间前馈网络,通过融合全局上下文与局部多尺度特征,提升模型对肿瘤内部异质成分的区分能力.最后,构建深度可分离卷积扩展模块,在特征上采样前聚合局部上下文信息,以改善复杂边界和小病灶的细节恢复精度.结果:在BraTS2019和BraTS2023公开数据集上的实验结果表明,SCB-UNet在不同肿瘤区域上的平均Dice相似系数(DSC)分别达到85.94%和83.33%,平均95%Hausdorff(HD95)距离分别为4.18和5.13 mm.在BraTS2023数据集的消融实验中,相比U-Net基线模型,SCB-UNet模型的平均HD95降低1.46 mm.消融实验进一步验证各模块的有效性.结论:SCB-UNet模型为脑胶质瘤MRI图像的精准分割提供一种可行的技术途径,具有一定的临床应用潜力.
更多相关知识
关键词
脑胶质瘤MRI图像分割VMamba视觉状态空间深度可分离卷积brain gliomaMRI image segmentationVMambavisual state spacedepthwise separable convolution
栏目名称
DOI
10.3969/j.issn.1005-202X.2026.06.008
发布时间
2026-07-08（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（82173388）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
