LFC-UNETR：一种用于多模态的脑肿瘤分割的全卷积网络

作     者：罗康 丁德锐 庞飞翔 

作者机构：上海理工大学光电信息与计算机工程学院 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 100214[医学-肿瘤学] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62373251)资助 

主　　题：多模态脑肿瘤图像 深度学习 医疗图像分割 Transformer 

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三个区域的平均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.