文献类型：期刊文章

作　　者：姚宗亮[1] 黄荣[1,2] 董爱华[1,2] 韩芳[1,2] 王青云[3,4]

Yao Zongliang;Huang Rong;Dong Aihua;Han Fang;Wang Qingyun(School of Information Science and Technology,Donghua University,Shanghai 201620,China;Engineering Research Center for Digital Textile and Clothing Technology,Ministry of Education,Donghua University,Shanghai 201620,China;School of Mathematical Statistics,Ningxia University,Yinchuan 750021,China;Department of Dynamics and Control,Beihang University,Beijing 100191,China)

机构地区：[1]东华大学信息科学与技术学院,上海201620 [2]东华大学数字化纺织服装技术教育部工程研究中心,上海201620 [3]宁夏大学数学统计学院,宁夏银川750021 [4]北京航空航天大学动力学与控制系,北京100191

出　　处：《宁夏大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(12272092,62001099)。

年　　份：2024

卷　　号：45

期　　号：1

起止页码：16-24

语　　种：中文

收录情况：CAS、RCCSE、ZGKJHX、ZMATH、普通刊

摘　　要：脑肿瘤是目前世界上最致命的肿瘤之一,所以脑肿瘤图像的自动分割在临床诊疗中变得日益重要.近年来,基于CNN和Transformer的脑肿瘤分割方法在医学图像分割领域取得了令人欣喜的成就.然而,大多数方法没有充分利用脑肿瘤多模态间的互补性和差异性,并且模型中的Transformer在捕获远程依赖性的同时,忽略了其较大的计算复杂性、冗余依赖性等问题.针对此问题,提出一种基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割方法(MF-MAPT Swin UNETR),其中多模态融合模块可以充分学习性质相近的模态间信息和不同模态不同尺度的特征变化,为后续分割提供了充分的准备;基于多模态的自适应剪枝Transformer可以降低计算复杂度,对提升性能有一定的帮助,将MF-MAPT Swin UNETR模型在两个公共数据集上进行了实验验证,结果表明,该模型较最先进的方法整体具有突出的分割性能.

关 键 词：脑肿瘤分割  TRANSFORMER 模态交叉连接  多尺度特征融合  token融合  自适应剪枝  

分 类 号：TP751]