LFC-UNETR:一种用于多模态的脑肿瘤分割的全卷积网络

摘要

脑肿瘤作为大脑中异常细胞的集合体，其生长迅速且与周围组织相互浸润，导致边界模糊.针对传统CNN分割网络在捕获语义信息时远程依赖关系不足、池化下采样带来的信息丢失以及基于Transformer分割网络的高计算复杂度等问题，本研究受ConvNeXt和Transformer模型的启发，提出了一种新颖的基于编码-解码结构的全卷积网络LFC-UNETR.在编码阶段，提出了ConvReXt块以提取局部特征，并将其扩展为ConvReXt下采样块.该下采样块能够保留更丰富的语义信息，有效地避免了传统池化下采样导致的细节和空间关系的信息损失.进而，设计了密集并行全局注意力模块，在增强局部特征提取的同时提高了模型对远程依赖关系的捕捉能力，解决了普通卷积感受野受限的不足.此外，改进了跳接与解码器部分，采用密集多尺度模块以减轻编解码器之间的语义偏差，并增强网络在上采样阶段的特征提取能力.在BraTS 2020脑肿瘤数据集上的实验结果表明，LFC-UNETR在整体肿瘤、肿瘤核心和增强肿瘤3个区域的平均Dice系数分别为92.08%,91.53%和86.58%,不仅在Dice系数上表现出色，而且参数量相对较少.这一成果证明了LFC-UNETR在多模态MRI脑肿瘤分割任务中的有效性和优越性.

关键词

多模态脑肿瘤图像 / 深度学习 / 医疗图像分割 / Transformer