殘差混合注意力與自適應(yīng)特征融合的腦腫瘤分割

關(guān)鍵詞：腦腫瘤分割；自適應(yīng)特征融合；殘差混合注意力；雙動(dòng)態(tài)卷積增強(qiáng)中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-3695（2025）08-037-2525-07doi：10.19734/j.issn.1001-3695.2024.10.0432

Brin tumor segmenttion sed on residul mixed ttention nd dptive feture fusion

Wu Jinxua，b，WuYuna，bt （a.StateKeyLaboratoryofublicBigData，b.ColegeofomputerSienceamp;Technology，GuzhouUniersty，Guiyang550ina）

Abstract：Theautomatedsegmentationofbrain tumorimagesiscrucialintheauxiliarydiagnosisandtreatmentof brain tumors.This paper proposed abrain tumor segmentation method RAC-Net，which combined aresidual mixedattention mechanismandadaptivefeaturefusion toaddress theproblemsofcomplexandvariablelesions inbrain tumorimages，as well as blurredboundariesbetweenlesionsandthebackgroud.FirstlyDDCEmoduleenhancedfeatureextractionflexibilityndimprovedthe adaptabilityofthe model.Then，RMA moduleextractedbothglobalandlocal features fromtheimage.Finally， AF2Mfused deepand shalowfeatures inthe decoding path，thereby enriching thefeature representation.Experiments on the public datasetsBraTS2019 and BraTS2O21andcros-dataset validation with BraTS2O23showthatRAC-Netoutperformsmost existingsegmentationmethodsacross varousmetrics，demonstrating itspotentialforasistingintediagosisofclinicalyrelevant brain tumor diseases.

Key words：brain tumor segmentation；adaptive feature fusion;residual mixed atention；dual dynamic convolution enhancement

0 引言

腦膠質(zhì)瘤是一種源自腦內(nèi)神經(jīng)膠質(zhì)細(xì)胞的腫瘤，是最常見(jiàn)的原發(fā)性顱腦惡性腫瘤，約占據(jù)所有原發(fā)性中樞神經(jīng)系統(tǒng)腫瘤的 40%～60% 。腦膠質(zhì)瘤的病變區(qū)域分布與形狀大小都具有很大的不確定性。目前，核磁共振成像在診斷和治療腦腫瘤方面優(yōu)于其他成像方式，因?yàn)樗哂袩o(wú)創(chuàng)性、不暴露于電離輻射并且在軟組織中具有良好的圖像對(duì)比度[1]。在臨床診斷中，很大程度上依賴于醫(yī)生對(duì)腦膠質(zhì)瘤病變區(qū)域的手動(dòng)標(biāo)注。由于標(biāo)注的精確度取決于診斷醫(yī)生的專業(yè)性，且手動(dòng)標(biāo)注病變區(qū)域較為耗時(shí)，所以實(shí)現(xiàn)腦膠質(zhì)瘤的自動(dòng)分割對(duì)醫(yī)學(xué)領(lǐng)域的發(fā)展具有積極意義。

傳統(tǒng)用于腦腫瘤分割的機(jī)器學(xué)習(xí)算法有：多譜直方圖的專家系統(tǒng)2、模板分割[3、強(qiáng)度直方圖的圖形模型4、潛在圖譜的腫瘤邊界檢測(cè)[5]。與最近的腦腫瘤分割算法相比，早期的工作是在強(qiáng)條件下制定的，依賴于不現(xiàn)實(shí)的假設(shè)。其次，手工設(shè)計(jì)的特征工程受到先驗(yàn)知識(shí)的約束，不能完全推廣。

隨著深度學(xué)習(xí)技術(shù)[的革命性突破，越來(lái)越多的研究開(kāi)始專注于將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)視覺(jué)的相關(guān)任務(wù)中。Shelhamer等人[7提出全卷積神經(jīng)網(wǎng)絡(luò)，使用卷積層替換網(wǎng)絡(luò)中所有的層，同時(shí)使用上采樣對(duì)圖像的大小進(jìn)行恢復(fù)，但其分割精確度較差。Ronneberger等人8在全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了U-Net，使用對(duì)稱的編碼器-解碼器結(jié)構(gòu)并結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)與跳躍連接。U-Net的編碼器部分通過(guò)卷積層提取特征，而解碼器部分則通過(guò)轉(zhuǎn)置卷積將低分辨率的特征圖恢復(fù)到與輸入圖像相同的尺寸，并且跳躍連接使得解碼器能夠充分利用來(lái)自編碼器的高分辨率特征，這提高了網(wǎng)絡(luò)在邊緣細(xì)節(jié)處理上的能力。Chen等人[9將編碼器-解碼器結(jié)構(gòu)與空洞可分離卷積進(jìn)行結(jié)合，提出了DeepLabv3+結(jié)構(gòu)，在減少計(jì)算復(fù)雜度的同時(shí)保持高分辨率特征的提取能力。

醫(yī)學(xué)圖像不同于自然圖像，其往往具有更復(fù)雜多變的結(jié)構(gòu)與低對(duì)比度等特點(diǎn)，對(duì)病灶區(qū)域分割的精確度要求較高。雖然深度學(xué)習(xí)在圖像處理中得到了充分的發(fā)展，但在應(yīng)對(duì)醫(yī)學(xué)圖像分割任務(wù)時(shí)，可能難以達(dá)到預(yù)期效果。所以，近年來(lái)，許多針對(duì)醫(yī)學(xué)圖像分割任務(wù)的深度學(xué)習(xí)模型被提出。Chen等人[10]將Transformer與U-Net進(jìn)行結(jié)合，利用Transformer的全局感受野與卷積操作的局部特征提取能力，以實(shí)現(xiàn)更精確的分割。Valanarasu等人[1]在Transformer的基礎(chǔ)上引人了新的自注意力機(jī)制（gatedaxial-attention）與訓(xùn)練策略（local-global訓(xùn)練策略），在減少傳統(tǒng)Transformer模型計(jì)算成本的同時(shí)，也提高了模型的分割精度。隨著Transformer和多層感知機(jī)等新型架構(gòu)的發(fā)展，越來(lái)越多的研究聚焦于更加高效、快速的分割方法。Valanarasu等人[12]提出了UNeXt，使用多層感知機(jī)替換U-Net中的卷積層，以避免卷積運(yùn)算帶來(lái)的高計(jì)算開(kāi)銷并使模型能有效運(yùn)用于實(shí)時(shí)醫(yī)學(xué)圖像分割任務(wù)。Liu等人[13]提出了一種新的混合架構(gòu)，其融合了卷積操作的局部特征提取能力與Trans-former的全局上下文建模能力，并引入金字塔卷積和多層感知機(jī)，以進(jìn)一步提升分割性能。Huang等人[14]提出了MISSFormer，通過(guò)在Transformer的基礎(chǔ)上設(shè)計(jì)的ReMix-FFN和ReMixedTransformercontextbridge模塊，以更好地捕獲全局依賴關(guān)系和局部上下文，從而提升醫(yī)學(xué)圖像分割性能。Roy等人[15]受Transformer全局特征提取能力的啟發(fā)，在ConvNeXt的基礎(chǔ)上提出了一種大核卷積網(wǎng)絡(luò)，以提升數(shù)據(jù)稀缺的醫(yī)學(xué)圖像分割性能。Wang等人[16設(shè)計(jì)了新的注意力機(jī)制與Transfor-mer模塊，以實(shí)現(xiàn)不同層次特征的有效融合。Wang等人[17]基于VisualMamba提出了Mamba-UNet，以獲取醫(yī)學(xué)圖像中復(fù)雜的細(xì)節(jié)和更廣泛的語(yǔ)義上下文信息。Cao等人[18]在MedNeXt的基礎(chǔ)上融合了動(dòng)態(tài)卷積技術(shù)，以提高病灶區(qū)域邊界與整體的分割性能。

在腦科醫(yī)學(xué)領(lǐng)域，腦腫瘤分割的研究也取得了許多進(jìn)展。衣斐等人[19提出了一種將灰度直方圖與改進(jìn)細(xì)胞自動(dòng)機(jī)相結(jié)合的腦腫瘤分割算法，以解決因腦腫瘤圖像邊界模糊、復(fù)雜而導(dǎo)致的分割不準(zhǔn)確問(wèn)題。Zhou等人[20]提出一種模態(tài)缺失的腦腫瘤分割算法，用于在模態(tài)缺失的情況下獲得更好的分割精度。Zhou等人[21]提出了一種全新的三維深度卷積神經(jīng)網(wǎng)絡(luò)，并在網(wǎng)絡(luò)的基礎(chǔ)上采用了三維深度監(jiān)督機(jī)制，以促進(jìn)三維腦腫瘤的精確分割。單成響等人22提出一種多視圖卷積輕量級(jí)腦腫瘤分割算法，以緩解三維卷積神經(jīng)網(wǎng)絡(luò)復(fù)雜度較大以及對(duì)硬件設(shè)備要求較高的問(wèn)題。

盡管上述各個(gè)方面對(duì)于腦腫瘤圖像分割方法已經(jīng)取得了一定的成果，但是由于腦腫瘤圖像病灶區(qū)域與背景區(qū)域的對(duì)比度較低與組織結(jié)構(gòu)復(fù)雜多變的特點(diǎn)，使現(xiàn)有深度學(xué)習(xí)算法在分割病灶區(qū)域及其邊緣時(shí)，容易出現(xiàn)誤分割與分割精度降低的問(wèn)題。為解決這一問(wèn)題，本文提出了一種結(jié)合殘差混合注意力與自適應(yīng)特征融合的腦腫瘤分割方法（RAC-Net）。首先，提出雙動(dòng)態(tài)卷積增強(qiáng)（DDCE）模塊，以實(shí)現(xiàn)模型對(duì)不同尺寸和形狀病灶區(qū)域的靈活適應(yīng)與精準(zhǔn)建模；然后，采用殘差混合注意力（RMA）模塊，在保留對(duì)病灶區(qū)域形態(tài)特征關(guān)注能力的同時(shí)，增強(qiáng)對(duì)每個(gè)特征相關(guān)性的關(guān)注能力；最后，在解碼路徑中通過(guò)自適應(yīng)特征融合（AF2M）模塊融合不同尺度和層次的特征，以獲取更豐富的特征信息。實(shí)驗(yàn)結(jié)果表明，RAC-Net在BraTS2019和BraTS2021數(shù)據(jù)集上的表現(xiàn)優(yōu)于現(xiàn)有方法，并通過(guò)BraTS2023數(shù)據(jù)集驗(yàn)證了其跨數(shù)據(jù)集的泛化性能，說(shuō)明對(duì)臨床相關(guān)腦腫瘤疾病的輔助診斷具有一定的應(yīng)用價(jià)值。本文的主要貢獻(xiàn)如下：a）在U-Net的跳躍連接與下采樣部分提出殘差混合注意力模塊，通過(guò)捕獲腦腫瘤圖像中的局部特征或區(qū)域之間的相關(guān)性，增強(qiáng)網(wǎng)絡(luò)的表征能力，使網(wǎng)絡(luò)模型能夠更好地提取圖像的有效特征。b）設(shè)計(jì)一種自適應(yīng)特征融合模塊應(yīng)用于U-Net的解碼器部分，通過(guò)拼接操作融合U-Net解碼器部分的淺層與深層特征，以獲取更加豐富的特征信息，同時(shí)采用注意力機(jī)制將融合后的特征進(jìn)行有效的提取，提高模型泛化性能的同時(shí)提供更全面、更準(zhǔn)確的特征表示。

1相關(guān)工作

1.1 自注意力機(jī)制

自注意力機(jī)制[23]不再是僅僅對(duì)相鄰元素建立聯(lián)系，而是對(duì)每個(gè)元素與序列中的其他元素建立關(guān)聯(lián)，最后通過(guò)計(jì)算元素之間的相對(duì)重要性來(lái)自適應(yīng)地捕捉元素之間的長(zhǎng)程依賴關(guān)系。由于自注意力機(jī)制只能關(guān)注到每個(gè)元素之間的關(guān)聯(lián)，而忽略了元素與元素組之間的關(guān)系。Ge等人[24]提出了group-mixatten-tion模塊，利用了組聚合器同時(shí)捕捉元素與元素、元素與元素組和元素組與元素組的關(guān)聯(lián)，并在標(biāo)準(zhǔn)的視覺(jué)識(shí)別基準(zhǔn)上進(jìn)行的廣泛實(shí)驗(yàn)證明了所提模塊的有效性。Zhao等人[25]提出了一種基于區(qū)域自注意力機(jī)制的網(wǎng)絡(luò)模型。該模型可以有效降低特征圖的噪聲和冗余特征的干擾，并在圖像分割細(xì)度與邊緣完整性方面優(yōu)于其他模型。Zhang等人[2提出了可變定向自注意力模塊與深度通道自注意力模塊，分別實(shí)現(xiàn)同時(shí)提取全局信息和局部信息與對(duì)通道之間的上下文信息進(jìn)行建模的功能，最后結(jié)合可變定向自注意力模塊與深度通道自注意力模塊提出了deformablehybridTransformer模塊對(duì)圖像進(jìn)行高質(zhì)量的物體分割。Tian等人[27]通過(guò)在YOLOv3的架構(gòu)中引入膨脹卷積和自注意力模塊，提出了一種快速準(zhǔn)確的目標(biāo)檢測(cè)器SA-YOLOv3。此外，還重建了基于GIoU和焦點(diǎn)損失的損耗函數(shù)，以進(jìn)一步優(yōu)化圖像檢測(cè)性能。通過(guò)上述工作可知，自注意力機(jī)制能夠捕捉圖像中所有像素點(diǎn)之間的全局依賴關(guān)系，提供豐富的上下文信息，從而提升分割的準(zhǔn)確性和細(xì)節(jié)處理能力。考慮到這一優(yōu)點(diǎn)，本文設(shè)計(jì)了一個(gè)混合殘差注意力模塊，并將其引入至U-Net編碼器與解碼器過(guò)渡的部分。

1.2 特征融合方法

在計(jì)算機(jī)視覺(jué)的相關(guān)任務(wù)中，特征融合通過(guò)結(jié)合不同來(lái)源或?qū)蛹?jí)的特征來(lái)增強(qiáng)模型的性能和魯棒性，提高任務(wù)完成的準(zhǔn)確性。特征融合豐富了特征的表示，有助于模型更好地理解和處理圖像數(shù)據(jù)。腦腫瘤圖像由于其存在圖像數(shù)據(jù)質(zhì)量較差、熱噪聲與電磁噪聲等問(wèn)題，導(dǎo)致病灶區(qū)域與背景區(qū)域?qū)Ρ榷容^低，使病灶區(qū)域的分割更加困難。引入特征融合方法，可以有效地融合不同層級(jí)的特征，以實(shí)現(xiàn)病灶區(qū)域的有效分割。Tan等人[28提出了一種基于多類型醫(yī)學(xué)圖像分割（SCIF-Net）和上下文信息融合的網(wǎng)絡(luò)結(jié)構(gòu)。該結(jié)構(gòu)包含特征金字塔編碼器、多尺度特征動(dòng)態(tài)聚合和自適應(yīng)空間信息融合三個(gè)模塊，使模型具有增強(qiáng)特征圖表示與有效聚合多尺度特征的能力。為了有效利用特征，Xie等人[29]提出了一種有效的基于通道分割的特征融合模塊用于特征復(fù)用，并利用通道分組機(jī)制加強(qiáng)了多尺度目標(biāo)的適配，最后在多個(gè)醫(yī)學(xué)數(shù)據(jù)集上取得了最先進(jìn)的性能。

通過(guò)已有的工作可知，特征融合方法能夠整合來(lái)自不同層級(jí)的特征信息，提高分割模型對(duì)圖像內(nèi)容的理解和表達(dá)能力，從而增強(qiáng)分割的準(zhǔn)確性和魯棒性。考慮到這一優(yōu)點(diǎn)，本文設(shè)計(jì)了一個(gè)自適應(yīng)特征融合模塊，并將其引入至U-Net解碼器部分。

2 本文方法

2.1 總體結(jié)構(gòu)

在設(shè)計(jì)腦腫瘤分割模型的總體結(jié)構(gòu)方面，本文綜合考慮到網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)數(shù)量與分割性能等因素，在不遷移大模型的基礎(chǔ)上，體現(xiàn)模型腦腫瘤分割的高性能。因此，本文提出RAC-Net模型，其模型結(jié)構(gòu)如圖1所示，包含編碼器、解碼器與跳躍連接。首先，為了使網(wǎng)絡(luò)能夠更多關(guān)注到腦腫瘤病灶區(qū)域的細(xì)節(jié)特征，在網(wǎng)絡(luò)的編碼器與解碼器中，使用帶有動(dòng)態(tài)卷積的DDCE模塊替換原始U-Net中的卷積模塊。因?yàn)镈DCE模塊能夠更好地適配腦腫瘤的形狀結(jié)構(gòu)，所以DDCE模塊的使用能夠加強(qiáng)模型對(duì)于病灶區(qū)域特征的提取能力。然后，在編碼路徑中，網(wǎng)絡(luò)在U-Net的基礎(chǔ)上采用了RMA模塊來(lái)近一步提取有效特征，模塊中引入組聚合器用以聚合不同的元素，并同時(shí)捕捉元素與元素、元素與元素組和元素組與元素組的關(guān)聯(lián)，以學(xué)習(xí)到更多有效的特征關(guān)系。最后，為使網(wǎng)絡(luò)能夠同時(shí)學(xué)習(xí)到粗、細(xì)粒度的特征，在解碼路徑中加入AF2M模塊，以用于調(diào)整特征并使模型學(xué)習(xí)到更為有效的語(yǔ)義特征。該模塊將各尺度特征進(jìn)行融合操作后經(jīng)過(guò)一個(gè)高效通道注意力（efficientchan-nelattention，ECA）模塊并將最淺層的特征經(jīng)過(guò)一個(gè)全局上下文注意力（globalcontextattention，GC）模塊，然后將兩個(gè)注意力模塊得到的特征圖進(jìn)行融合。

2.2 雙動(dòng)態(tài)卷積增強(qiáng)模塊

由于動(dòng)態(tài)卷積能夠很好地適應(yīng)不同尺寸和形狀的目標(biāo)，所以它在圖像分割中能夠更準(zhǔn)確地捕捉到圖像中不同區(qū)域的特征，從而提高分割的精度和細(xì)節(jié)表現(xiàn)。然而，單一動(dòng)態(tài)卷積的固定卷積核大小可能限制其對(duì)多尺度特征的適應(yīng)能力，尤其是在處理多尺度病變區(qū)域時(shí)，難以同時(shí)兼顧大范圍的全局信息和小范圍的局部細(xì)節(jié)。為此，本文提出了雙動(dòng)態(tài)卷積增強(qiáng)模塊（DDCE），通過(guò)引入兩個(gè)動(dòng)態(tài)卷積分支，分別采用不同大小的卷積核來(lái)提取多尺度特征。較大的卷積核分支側(cè)重于捕獲全局上下文信息，較小的卷積核分支專注于細(xì)粒度的局部特征表達(dá)。最終，通過(guò)融合兩分支提取的特征，以實(shí)現(xiàn)對(duì)不同尺寸和形狀病灶區(qū)域的精準(zhǔn)建模。DDCE模塊結(jié)構(gòu)如圖2所示。

圖2雙動(dòng)態(tài)卷積增強(qiáng)（DDCE）模塊

Fig.2Dual dynamic convolution enhancement module

具體來(lái)說(shuō)，對(duì)于輸入特征圖 x∈R^H×W×C ，首先先經(jīng)過(guò)一個(gè)傳統(tǒng)的 3×3 卷積模塊、BN層（batchnormalization）ReLU激活函數(shù)來(lái)對(duì)輸入特征圖中的腫瘤區(qū)域特征進(jìn)行預(yù)提取，為得到更多有效的全局上下文與局部特征信息，再將預(yù)提取后的特征圖分別經(jīng)過(guò)兩個(gè)不同卷積核大小的CondConv模塊[30]，以進(jìn)行不同尺度信息的有效提取，此過(guò)程如圖2（b）所示。CondConv模塊旨在根據(jù)輸入特征圖的特性來(lái)動(dòng)態(tài)調(diào)整卷積核的參數(shù)，從而提高模型的性能和效率。因此在處理輸入的特征圖之前，Cond-Conv模塊使用一個(gè)條件函數(shù)（通常是一個(gè)輕量級(jí)的神經(jīng)網(wǎng)絡(luò)）對(duì)輸入特征圖進(jìn)行分析，即將輸入特征圖輸出為條件向量 s∈ Rⁿ ，其中 n 為卷積核的數(shù)量。然后，CondConv模塊動(dòng)態(tài)地計(jì)算一個(gè)加權(quán)卷積核 W^α ，該卷積核是 n 個(gè)卷積核的加權(quán)和，權(quán)重由條件向量 s 決定。具體地，加權(quán)卷積核 ψ^α 的計(jì)算可以表示為

其中： W_m 為第 m 個(gè)卷積核； b_?m 是第 ?_m 個(gè)卷積核的權(quán)重系數(shù)。b_m 可以通過(guò)條件向量 s 和一個(gè)可學(xué)習(xí)的路由函數(shù) q 計(jì)算得到：

其中： q（s）_m 是路由函數(shù) q 對(duì)條件向量 s 的第 m 個(gè)元素的處理結(jié)果。然后，將輸人的特征圖與加權(quán)卷積核 ψ^α 進(jìn)行卷積，得到最終的CondConv模塊的輸出特征圖。

最后，將得到的不同尺度信息的特征圖在元素維度上進(jìn)行相加操作，以實(shí)現(xiàn)不同尺度信息的融合。

2.3殘差混合注意力模塊

在原始U-Net中，通常使用 3×3 的卷積塊來(lái)對(duì)圖像進(jìn)行特征提取，傳統(tǒng)卷積操作盡管有著出色的平移不變性與局部細(xì)節(jié)特征提取能力，但缺乏全局特征學(xué)習(xí)能力與較大的感受野，而單純的堆疊下采樣模塊雖能逐步擴(kuò)大感受野，但也會(huì)帶來(lái)細(xì)節(jié)特征丟失的問(wèn)題，對(duì)類似腦腫瘤這樣邊緣模糊的分割任務(wù)尤為不利。為了克服這一問(wèn)題，本文結(jié)合組混合注意力機(jī)制、殘差連接與ECA注意力模塊的思想來(lái)有效學(xué)習(xí)圖像中每個(gè)區(qū)域之間的關(guān)聯(lián)性，使得網(wǎng)絡(luò)有著更好的特征提取能力，在保留對(duì)病灶區(qū)域形態(tài)特征關(guān)注能力的同時(shí)，增強(qiáng)對(duì)每個(gè)特征相關(guān)性的關(guān)注能力，RMA模塊的結(jié)構(gòu)如圖3所示。

圖3殘差混合注意力（RMA）模塊Fig.3Residual mixed attention module

具體來(lái)說(shuō)，對(duì)于輸入的特征圖，首先經(jīng)過(guò)一個(gè)patchembed-ding層，將特征圖拆分成查詢 （query）、鍵K（key）和值 ν （value）三個(gè)部分，并將拆分得到的查詢、鍵與值部分進(jìn)行均勻拆分，每個(gè)部分被均勻地拆分為四個(gè)特征組，然后分別對(duì)每個(gè)部分中的三組進(jìn)行聚合得到組代理，其中未與其他組進(jìn)行聚合的組則單獨(dú)進(jìn)行聚合，以使組代理能夠捕獲特征組之間的相關(guān)性，從而提供更豐富的上下文信息。在進(jìn)行聚合操作以后，通過(guò)ECA模塊（efficientchannelattention）來(lái)融合每個(gè)組代理，以學(xué)習(xí)每個(gè)組代理之間的關(guān)聯(lián)性，再經(jīng)過(guò)一個(gè)線性層，以學(xué)習(xí)特征組與組代理之間的關(guān)聯(lián)性。最后將提取有效特征后的特征圖與原始特征圖進(jìn)行融合，再經(jīng)過(guò)一個(gè)ECA模塊，以增強(qiáng)特征圖在維度上有效特征的提取。總體來(lái)看，殘差混合注意力模塊能夠有效提高全局上下文特征的提取能力，以劃分特征組與組代理的方式，提取全局上下文信息。

2.4 自適應(yīng)特征融合模塊

在原始U-Net網(wǎng)絡(luò)解碼器的每個(gè)層級(jí)中，只運(yùn)用了傳統(tǒng)的卷積與上采樣操作，但特征在多次卷積與上采樣后會(huì)丟失掉一些重要的語(yǔ)義與位置特征，從而降低圖像的分割精度。本文在網(wǎng)絡(luò)解碼器的每個(gè)層級(jí)中，通過(guò)AF2M模塊對(duì)每個(gè)層級(jí)的特征進(jìn)行有效融合與學(xué)習(xí)，以增強(qiáng)與利用每個(gè)層級(jí)學(xué)習(xí)到的特征。具體而言，AF2M模塊通過(guò)對(duì)每個(gè)維度的特征進(jìn)行動(dòng)態(tài)加權(quán)調(diào)整，突出和增強(qiáng)關(guān)鍵特征，以提升重要信息的提取能力。同時(shí)，AF2M模塊還作用于淺層特征，通過(guò)自適應(yīng)地調(diào)整與增強(qiáng)邊緣和細(xì)節(jié)信息，確保在特征融合過(guò)程中保留重要的細(xì)節(jié)和邊緣信息。自適應(yīng)特征融合模塊的結(jié)構(gòu)如圖4所示。具體來(lái)說(shuō)，對(duì)于解碼器部分的四個(gè)不同尺度大小的特征圖，首先使用上采樣操作改變它們尺度的大小，緊接著將四個(gè)特征在通道維度上進(jìn)行拼接。然后將拼接后的特征圖輸入到ECA模塊中，以計(jì)算每個(gè)通道之間的相關(guān)性，并通過(guò)局部卷積操作自適應(yīng)地調(diào)整每個(gè)通道的權(quán)重。緊接著將淺層特征圖輸入到GC模塊，以計(jì)算淺層特征的全局上下文信息，并自適應(yīng)調(diào)整全局上下文信息與局部特征信息的融合。最后將ECA與GC模塊輸出的特征圖在元素維度上進(jìn)行相加，得到AF2M模塊的輸出。AF2M模塊的詳細(xì)步驟如下。

I^β=GC（I）

O=add（I^α，I^β）

（204號(hào) 分別表示自適應(yīng)特征融合模塊四個(gè)不同尺度輸入的特征圖；UP表示上采樣操作； 表示特征在通道維度上的拼接操作；ECA與GC分別表示ECA和GC注意力模塊;add表示特征圖在元素維度上的相加操作； I^α∈R^H×W×4C 表示 ECA模塊輸出的特征圖； I^β∈R^H×W×C 表示GC模塊輸出的特征圖; O∈ （204號(hào) R^H×W×2 表示 AF2M 模塊輸出的特征圖。

圖4自適應(yīng)特征融合（AF2M）模塊Fig.4Adaptive feature fusion module

ECA模塊[31如圖5所示。首先，將輸入特征圖經(jīng)過(guò)全局平均池化（globalaveragepooling，GAP），緊接著使用一維卷積操作來(lái)學(xué)習(xí)通道間的依賴關(guān)系，然后通過(guò)sigmoid函數(shù)得到通道注意力圖，最后再將該通道注意力圖與ECA模塊的輸入特征圖進(jìn)行逐像素相乘，從而得到ECA模塊輸出。

圖5高效通道注意力（ECA）模塊Fig.5Efficientchannel attentionmodule

GC模塊[32如圖6所示。首先，將輸人特征圖經(jīng)過(guò) 1×1 的卷積模塊與softmax激活函數(shù)后與輸入特征圖進(jìn)行相乘以獲取全局上下文信息特征圖，緊接著通過(guò)兩個(gè) 1×1 的卷積模塊與LayerNorm模塊以捕獲通道依賴關(guān)系。最后，將處理后的特征圖與輸入特征圖進(jìn)行相加得到最終GC模塊的輸出。

圖6全局上下文注意力（GC）模塊Fig.6Global contextmodule

3 實(shí)驗(yàn)和結(jié)果分析

3.1實(shí)驗(yàn)數(shù)據(jù)集

a）BraTS2019數(shù)據(jù)集[33]。BraTS2019包括335名患者的1340張MRI掃描，每位患者都包含T1、T1ce、T2和FLAIR四種模態(tài)的MR圖像，并且每一張MRI掃描的病灶區(qū)域都由經(jīng)驗(yàn)豐富的臨床醫(yī)生進(jìn)行標(biāo)注。本文實(shí)驗(yàn)中，將選取FLAIR模態(tài)的數(shù)據(jù)集，并按照 8：1：1 的比例將圖片劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。

b） BraTS2021數(shù)據(jù)集[34]。BraTS2021 是一個(gè)大規(guī)模的腦部多模態(tài)MR腦膠質(zhì)瘤分割數(shù)據(jù)集，包括1251位患者的5004張MRI掃描，每位患者都包含T1、T1ce、T2和FLAIR四種模態(tài)的MR圖像，并且每一張MRI掃描的病灶區(qū)域都由經(jīng)驗(yàn)豐富的臨床醫(yī)生進(jìn)行標(biāo)注。本文實(shí)驗(yàn)中，將選取FLAIR模態(tài)的數(shù)據(jù)集，并按照 8：1：1 的比例將圖片劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。

c）BraTS2023數(shù)據(jù)集[35]。BraTS2023包含了多個(gè)來(lái)自不同醫(yī)療機(jī)構(gòu)的腦部MRI掃描圖像，這些圖像覆蓋了不同類型的腦腫瘤，如成人腦膠質(zhì)瘤、兒童腦膠質(zhì)瘤、腦轉(zhuǎn)移瘤等。本文實(shí)驗(yàn)中，該數(shù)據(jù)集主要用于跨數(shù)據(jù)集驗(yàn)證。

3.2 數(shù)據(jù)預(yù)處理

由于原始圖像未進(jìn)行標(biāo)準(zhǔn)化操作，在對(duì)模型訓(xùn)練過(guò)程中會(huì)出現(xiàn)模型訓(xùn)練不穩(wěn)定的問(wèn)題。所以在將數(shù)據(jù)集圖片輸人網(wǎng)絡(luò)模型之前，會(huì)對(duì)其進(jìn)行預(yù)處理，包括變換分辨率、圖像標(biāo)準(zhǔn)化與灰度轉(zhuǎn)換操作。在完成以上步驟后，由于BraTS2019與BraTS2021數(shù)據(jù)集提供的訓(xùn)練圖片較少，不能很好地提高網(wǎng)絡(luò)的泛化性能，需要對(duì)圖片進(jìn)行擴(kuò)充操作：對(duì)圖像分別進(jìn)行隨機(jī)翻轉(zhuǎn)、隨機(jī)平移、隨機(jī)縮放與垂直翻轉(zhuǎn)等操作。最后得出14394張大小為 256×256 的圖片用于訓(xùn)練、驗(yàn)證與測(cè)試。

3.3 評(píng)價(jià)指標(biāo)

在圖像分割任務(wù)中，Dice系數(shù)、特異性（SP）Jaccard相關(guān)系數(shù)、MIoU與 F₁ -score五個(gè)指標(biāo)常作為評(píng)價(jià)模型分割結(jié)果優(yōu)劣的標(biāo)準(zhǔn)，本文也將其作為評(píng)價(jià)指標(biāo)，其公式如表1所示。

Tab.1Formulaofevaluationindex

其中：A代表預(yù)測(cè)分割結(jié)果的元素集合； B 代表正確分割結(jié)果的元素集合；真陽(yáng)性 TP 為正確分類的病灶區(qū)域像素個(gè)數(shù)；真陰性TN為正確分類的背景點(diǎn)像素個(gè)數(shù)；假陽(yáng)性 FP 為背景像素誤分成病灶區(qū)域像素的個(gè)數(shù)；假陰性 FN 為病灶區(qū)域像素誤分成背景像素的個(gè)數(shù)； k 代表圖像中類別的個(gè)數(shù)，由于本文中僅存在病灶區(qū)域和背景區(qū)域兩個(gè)類別，所以 k=2 ；特別地， TP_i 為第 i 類別被正確分類的像素個(gè)數(shù)， FP_i 為預(yù)測(cè)為第 i 類但真實(shí)不是第 i 類的像素個(gè)數(shù)， FN_i 為真實(shí)為第 i 類但預(yù)測(cè)不是第 i 類的像素個(gè)數(shù)。

表2訓(xùn)練參數(shù)設(shè)置Tab.2Training parameter setting

3.4 實(shí)驗(yàn)設(shè)置

本文的所有實(shí)驗(yàn)代碼都是在PyTorch2.0.0框架下實(shí)現(xiàn)的，在訓(xùn)練與測(cè)試階段，模型運(yùn)行在一個(gè)包含L20（48GB）顯卡、100 GB內(nèi)存、 Platinum 8457C CPU、Ubuntu操作系統(tǒng)的實(shí)驗(yàn)平臺(tái)上。在訓(xùn)練中使用RMSprop作為優(yōu)化器來(lái)讓模型有更好的性能表現(xiàn)，學(xué)習(xí)率為1E-8，批量大小設(shè)置為8，epoch輪數(shù)設(shè)置為100，細(xì)節(jié)參數(shù)設(shè)置如表2所示。

3.5 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文方法在腦腫瘤分割上的有效性和可行性，在BraTS2019和BraTS2021兩個(gè)常用公開(kāi)數(shù)據(jù)集上對(duì)RAC-Net與其他表現(xiàn)優(yōu)異的基于深度學(xué)習(xí)的分割方法進(jìn)行比較，比較結(jié)果如表3、4所示，其中最優(yōu)指標(biāo)加粗表示。

表3RAC-Net與其他方法在BraTS2019數(shù)據(jù)集上的比較Tab.3Comparison between RAC-Net with other methods on BraTS2019

表4RAC-Net與其他方法在BraTS2021數(shù)據(jù)集上的比較

由表3、4可以看出，本文方法在兩個(gè)不同腦腫瘤數(shù)據(jù)集上表現(xiàn)優(yōu)異，在腦腫瘤分割性能上強(qiáng)于其他分割網(wǎng)絡(luò)模型。在BraTS2019數(shù)據(jù)集上，RAC-Net的Dice、SP、Jaccard F₁ -score與MIoU系數(shù)指標(biāo)均已達(dá)到最優(yōu)并相較于次優(yōu)的模型分別提高了1.21，0.11，0.22，0.11，1.82 百分點(diǎn)。在BraTS2021數(shù)據(jù)集上，RAC-Net的 F₁ -score ，sp 、Jaccard與MIoU系數(shù)指標(biāo)亦達(dá)到最優(yōu)，相較于次優(yōu)的模型分別提高了 0.14，0.14，0.60，3.05 百分點(diǎn)。

在處理復(fù)雜的醫(yī)學(xué)圖像時(shí)，RAC-Net的表現(xiàn)更優(yōu)，這主要?dú)w因于其結(jié)構(gòu)設(shè)計(jì)上的有效性。對(duì)比MISSFormer和MedNeXt模型，盡管它們?cè)谔卣魈崛『腿诤戏矫娌捎昧藦?fù)雜的網(wǎng)絡(luò)架構(gòu)，但它們?cè)谔幚韴D像中細(xì)節(jié)和邊緣信息的增強(qiáng)上相對(duì)不足，導(dǎo)致無(wú)法有效分割背景模糊的區(qū)域。對(duì)比HybridCNNTrans模型，盡管它結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和Transformer架構(gòu)，增強(qiáng)了特征表達(dá)，但在處理細(xì)粒度特征和局部信息方面的能力相對(duì)較弱，導(dǎo)致在細(xì)節(jié)和邊緣區(qū)域的分割精度較低。

圖7是使用典型腦腫瘤分割方法與本文方法在BraTS2021數(shù)據(jù)集上的可視化對(duì)比，可以看出本文方法相較于U-Net、UNeXt、MedT與TransUNet，在病灶區(qū)域形狀不規(guī)則、輪廓邊界模糊、病灶區(qū)域?qū)Ρ榷鹊偷惹闆r下均取得了很好的分割效果，其分割結(jié)果最接近真實(shí)標(biāo)簽。模型中的RMA模塊能夠改善U-Net在模糊邊界特征提取方面的不足。該模塊中的自注意力機(jī)制可以有效地提取更多的圖像上下文信息。而ECA注意力機(jī)制可以進(jìn)一步增強(qiáng)模型對(duì)分割目標(biāo)的關(guān)注度，從而提升分割性能。AF2M模塊能夠有效融合融合不同尺度的特征信息，以獲取更豐富的特征信息，進(jìn)一步提升分割性能。同時(shí)使用DDCE模塊替換傳統(tǒng)卷積模塊能改善傳統(tǒng)卷積操作在特征提取能力上的不足，以實(shí)現(xiàn)更靈活的特征提取和增強(qiáng)的模型適應(yīng)能力。

圖7不同方法在BraTS2021數(shù)據(jù)集上的分割結(jié)果Fig.7Segmentationresultsof BraTS2O21 dataset bydifferentmethods

3.6消融實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證RAC-Net中各模塊的有效性，本文將在公共數(shù)據(jù)集BraTS2019、BraTS2021上進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表5、6所示，其中最優(yōu)指標(biāo)加粗表示。

表5BraTS2019數(shù)據(jù)集上的消融實(shí)驗(yàn)結(jié)果

Tab.5Resultsof ablation experiments onBraTS2019

表6BraTS2021數(shù)據(jù)集上的消融實(shí)驗(yàn)結(jié)果

由表可知，在原始U-Net的基礎(chǔ)上，將RMA模塊添加到模型后，在BraST2019、BraST2021數(shù)據(jù)集上，Dice、 sp 特異性系數(shù)、Jaccard -score與MIoU系數(shù)分別得到了有效的提升。這說(shuō)明融合殘差連接與組聚合的自注意力機(jī)制模塊可以更多地提取圖像中的關(guān)聯(lián)關(guān)系。在加入RMA與AF2M模塊后，模型對(duì)比原始U-Net網(wǎng)絡(luò)在Dice、 sp 特異性系數(shù)、Jaccard、 F₁ -score與MIoU系數(shù)指標(biāo)中均取得了一定的提升。具體而言，RMA模塊能夠聚焦于腫瘤圖像中關(guān)鍵的局部特征，這些特征對(duì)于區(qū)分腫瘤區(qū)域與正常組織尤為重要；同時(shí)，RMA模塊通過(guò)建模不同局部區(qū)域之間的相關(guān)性，實(shí)現(xiàn)了全局與局部信息的動(dòng)態(tài)結(jié)合，避免了下采樣操作可能導(dǎo)致的信息丟失問(wèn)題，從而提升了模型對(duì)復(fù)雜特征模式的學(xué)習(xí)能力；AF2M模塊則有效融合了淺層細(xì)節(jié)特征與深層語(yǔ)義特征，進(jìn)一步提高了模型對(duì)不同層級(jí)特征的提取能力；最后，將DDCE模塊替換傳統(tǒng)卷積模塊后，五個(gè)指標(biāo)均有較大的提升，進(jìn)一步說(shuō)明了該模塊有效的特征提取和增強(qiáng)模型的適應(yīng)能力，提升了模型的分割效果。

為了更好地展示RAC-Net的分割效果，本文將消融實(shí)驗(yàn)的預(yù)測(cè)結(jié)果進(jìn)行了可視化比較。如圖8所示，將BraTS2021數(shù)據(jù)集上消融實(shí)驗(yàn)的部分預(yù)測(cè)結(jié)果及其細(xì)節(jié)部位進(jìn)行了可視化比較。首先，由第一與二張圖像的放大分割結(jié)果可以看出，消融實(shí)驗(yàn)的其余模型都出現(xiàn)了比較明顯的背景誤分割成腦腫瘤病變區(qū)域的問(wèn)題，雖然RAC-Net在一些邊緣區(qū)域也出現(xiàn)了一定的誤分割問(wèn)題，但是相較于消融實(shí)驗(yàn)的其它模型的分割效果好很多。由第三張圖像的放大分割結(jié)果圖可以看出，除了RAC-Net，消融實(shí)驗(yàn)的其余模型對(duì)紫色區(qū)域的分割都出現(xiàn)了很明顯的誤分割現(xiàn)象（見(jiàn)電子版）。綜上所述，可以看出RAC-Net是最為接近專家標(biāo)注結(jié)果的。

圖8消融實(shí)驗(yàn)的可視化比較 Fig.8Visual comparison of ablation experiment

3.7跨數(shù)據(jù)集驗(yàn)證

為驗(yàn)證RAC-Net模型的泛化能力，本文進(jìn)行了跨數(shù)據(jù)集驗(yàn)證，具體來(lái)說(shuō)，本文使用BraTS2021數(shù)據(jù)集作為訓(xùn)練集，而數(shù)據(jù)集BraTS2023作為驗(yàn)證集，驗(yàn)證結(jié)果如表7所示。與其他模型相比，RAC-Net在各個(gè)指標(biāo)中的表現(xiàn)均優(yōu)于對(duì)比模型，這一結(jié)果驗(yàn)證了RAC-Net擁有較好的泛化性能。

圖9為RAC-Net與其他主流分割模型在跨數(shù)據(jù)集上驗(yàn)證的可視化比較。雖然RAC-Net在某些復(fù)雜區(qū)域中仍存在少量誤分割現(xiàn)象，但相比其他分割方法，其分割結(jié)果整體上更接近于真實(shí)標(biāo)簽，表現(xiàn)出更高的準(zhǔn)確性和魯棒性。尤其是在腫瘤邊界模糊或形狀復(fù)雜的情況下，RAC-Net能夠更準(zhǔn)確地捕捉到腫瘤區(qū)域的關(guān)鍵特征，實(shí)驗(yàn)結(jié)果表明RAC-Net在處理跨數(shù)據(jù)集任務(wù)中的泛化能力顯著優(yōu)于其他方法。

3.8參數(shù)對(duì)模型的影響實(shí)驗(yàn)

為進(jìn)一步探究其他參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響，本節(jié)在BraTS2021數(shù)據(jù)集上進(jìn)行了各參數(shù)分析的實(shí)驗(yàn)。主要分析了DDCE模塊卷積核大小與模型深度對(duì)分割結(jié)果的影響。本文根據(jù)可選取的參數(shù)設(shè)置了四個(gè)實(shí)驗(yàn)方案（實(shí)驗(yàn)A、B、C與RAC-Net）。具體而言，實(shí)驗(yàn)A：DDCE卷積核大小分別設(shè)置為 3×3 和 7×7 ，模型深度設(shè)置為4。實(shí)驗(yàn)B：DDCE卷積核大小分別設(shè)置為 3×3 和 5×5 ，模型深度設(shè)置為3。實(shí)驗(yàn)C：DDCE卷積核大小分別設(shè)置為 3×3 和 7×7 ，模型深度設(shè)置為3。其結(jié)果如表8所示。

表8RAC-Net在BraTS2021數(shù)據(jù)集上不同參數(shù)的結(jié)果對(duì)比Tab.8Comparison of RAC-Net results for different parameters on theBraTS2021 dataset

實(shí)驗(yàn)B、C在將模型深度設(shè)置為3的情況下，模型的各項(xiàng)指標(biāo)出現(xiàn)了一定的下降。這表明了模型深度減少時(shí)，模型無(wú)法有效捕捉圖像中的復(fù)雜模式、語(yǔ)義信息和全局結(jié)構(gòu)，導(dǎo)致模型分割性能下降。實(shí)驗(yàn) A，C 將卷積核大小設(shè)置為 3×3 和 7×7 模型性能同樣出現(xiàn)了一定的下降。增大卷積核雖然能捕獲更大范圍的圖像信息，從而更好地理解圖像的全局結(jié)構(gòu)和語(yǔ)義特征，但是會(huì)增加計(jì)算成本并且會(huì)損失一定的局部特征細(xì)節(jié)，導(dǎo)致模型分割性能下降。

綜上實(shí)驗(yàn)結(jié)果以及分析表明，不同卷積核大小與模型深度會(huì)對(duì)模型最終的分割精度產(chǎn)生一定的影響，因此本文將卷積核大小分別設(shè)置為 3×3 和 5×5 ，模型深度設(shè)置為4，作為模型的最優(yōu)參數(shù)。

4結(jié)束語(yǔ)

針對(duì)腦腫瘤圖像分割精度低的問(wèn)題，本文提出一種結(jié)合殘差混合自注意力與自適應(yīng)多尺度特征融合的腦腫瘤分割方法。在編碼路徑上使用殘差混合自注意力模塊來(lái)提取到更多的關(guān)聯(lián)特征；在解碼路徑中加入自適應(yīng)多尺度特征融合模塊來(lái)對(duì)每個(gè)層級(jí)的特征進(jìn)行有效融合與學(xué)習(xí)，以增強(qiáng)與利用每個(gè)層級(jí)學(xué)習(xí)到的特征，避免因重要特征丟失而導(dǎo)致分割精度的下降。實(shí)驗(yàn)結(jié)果表明，本文方法在腦腫瘤分割任務(wù)中有較好的表現(xiàn)，優(yōu)于現(xiàn)有方法，不僅具有較好的魯棒性與泛化性，而且對(duì)邊界模糊區(qū)域有較好的分割能力。但本文的實(shí)驗(yàn)數(shù)據(jù)是二維平面的圖像，并未考慮到三維圖像中豐富的空間信息，因此下一步研究重點(diǎn)應(yīng)著重于從3D圖像人手構(gòu)建神經(jīng)網(wǎng)絡(luò)，充分利用其空間信息來(lái)提升分割效果。

參考文獻(xiàn)：

[1]Wu Mingliang，Ye Haili，Wu Yun，et al.Brain tumor image segmentation based on grouped convolution [J]. Journal of Physics： Conference Series，2022，2278（1）：012042.

[2]Clark M C，HallL O，Goldgof DB，et al.Automatic tumor segmentation using knowledge-based techniques[J]. IEEE Trans on Medical Imaging，1998，17（2）：187-201.

[3]Prastawa M，Bulitt E，Ho S，et al.Abrain tumor segmentation framework based on outlier detection[J].Medical Image Analysis，2004，8（3）：275-283.

[4]Corso JJ，Sharon E，Dube S，etal.Efficient multilevel brain tumor segmentation with integrated Bayesian model classification[J].IEEE Trans on Medical Imaging，2008，27（5）： 629-640.

[5]Menze B H，van Leemput K，Lashkari D，et al.A generative model forbrain tumor segmentation in multi-modal images [M]// Jiang Tianzi，NavabN，PluimJPW，et al.Medical Image Computing and Computer-Assisted Intervention.Berlin：Springer，201O：151-159.

[6]陳英，鄭鋮，易珍，等．肝臟及腫瘤圖像分割方法綜述［J].計(jì)算機(jī) 應(yīng)用研究，2022，39（3）：641-650.（Chen Ying，Zheng Cheng，Yi Zhen，et al. Review of liver and tumor image segmentation methods [J]. Application Research of Computers，2022，39（3）：641-650.）

[7]Shelhamer E，Long J，Darrell T.Fully convolutional networks for semantic segmentation[J].IEEE Trans on Pattern Analysis and Machine Intelligence，2017，39（4）： 640-651.

[8]Ronneberger O，F(xiàn)ischer P，Brox T.U-Net：convolutional networks for biomedical image segmentation [M]// Navab N，Hornegger J， WellsW，et al. Medical Image Computing and Computer-Assisted Intervention. Cham：Springer，2015： 234-241.

[9]Chen L C，Zhu Yukun，Papandreou G，et al. Encoder-decoder with atrous separable convolution for semantic image segmentation [C]// Proc of the 15th European Conference on Computer Vision. Cham; Springer，2018：833-851.

[10]Chen Jieneng，Lu Yongyi，Yu Qihang，et al. Transunet：Transformers make strong encoders for medical image segmentation [EB/ OL].（2021）[2024-12-26]htps：//arxiv.org/abs/2102.04306.

[11]Valanarasu JMJ，OzaP，Hacihaliloglu I，etal.Medical Transformer： gated axial-attention for medical image segmentation[M]//de Bruijne M， Catin Philippe C， Cotin S，et al.Medical Image Computing and Computer Assisted Intervention-ICCAI2021.Cham：Springer，2021：36-46.

[12]Valanarasu JMJ，Patel VM.UNeXt：MLP-based rapid medical image segmentation network[M]//Wang Linwei，Dou Qi，F(xiàn)letcherP T，et al.Medical Image Computing and Computer Assisted InterventionMICCAI 2022. Cham： Springer Nature Switzerland，2022： 23-33.

[13]Liu Xiaowei，Hu Yikun，Chen Jianguo．Hybrid CNN-Transformer model for medical image segmentation with pyramid convolution and multi-layer perceptron[J].Biomedical Signal Processing and Control，2023，86：105331.

[14]Huang Xiaohong，Deng Zhifang，Li Dandan，et al. MISSFormer：an effective transformer for 2D medical image segmentation[J].IEEE Trans on Medical Imaging，2023，42（5）：1484-1494.

[15]RoyS，KoehlerG，UlrichC，etal.MedNeXt：Transformer-driven scaling of ConvNets for medical image segmentation[M]// Greenspan H，Madabhushi P，Mousavi P，et al. Medical Image Computing and Computer Assisted Intervention-MICCAI 2023. Cham： Springer， 2023：405-415.

[16]Wang Cheng，Wang Le，Wang Nuoqi，et al. CFATransUnet：channelwise crossfusionattention and transformer for 2Dmedical image segmentation[J].Computers in Biology and Medicine，2024，168： 107803.

[17]Wang Ziyang，Zheng Jianqing， Zhang Yichi， et al. Mamba-UNet： UNet-like pure visual Mamba for medical image segmentation [EB/ ULJ （∠U∠4-05-JU） itps： arxiv. org/ UJUIY

[18] Cao Haoyu，Han Tianyi， Yang Yunyun.HDNeXt： hybrid dynamic MedNeXtwith level set regularization formedical imagesegmentation [C]//Proc of the 17th Asian Conference on，et al.Computer Vision. Singapore：Springer，2025：401-417.

[19］衣斐，龔敬，段輝宏，等．結(jié)合灰度直方圖和細(xì)胞自動(dòng)機(jī)的多模 態(tài)MRI腦膠質(zhì)瘤分割［J]．計(jì)算機(jī)應(yīng)用研究，2019，36（9）： 2849-2855.（YiFei，GongJing，DuanHuihong，etal.Brainglioma segmentation for multi-modality MR images based ongraylevel histogram and cellular automata [J]. Application Research of Computers，2019，36（9）：2849-2855.）

[20]Zhou Tongxue，Canu S，Vera P，et al. Brain tumor segmentation with missing modalities via latent multi-source correlation representation[M]// Martel AL，AbolmaesumiP，Stoyanov D，et al. Medical Image Computing and Computer Assisted Intervention.Cham： Springer，2020：533-541.

[21] Zhou Zexun，He Zhongshi，Shi Meifeng，et al. 3D dense connectivity network with atrous convolutional feature pyramid for brain tumor segmentation in magnetic resonance imaging of human heads [J]. Computers in Biology and Medicine，2020，121：103766.

[22]單成響，李鏘，關(guān)欣．多視圖卷積輕量級(jí)腦腫瘤分割算法［J]. 激光與光電子學(xué)進(jìn)展，2023，60（10）：202-209.（Shan Chengxiang，Li Qiang，Guan Xin.Lightweight brain tumor segmentation algorithm based on multi-view convolution [J]. Laser amp; Optoelectronics Progress，2023，60（10）： 202-209.）

[23] Vaswani A，ShazerN，ParmarN，etal.Atentionisallyouneed [EB/OL]. （2023-08-02）. https：//arxiv.org/abs/1706.03762.

[24]Ge Chongjian，Ding Xiaohan，Tong Zhan，etal.Advancing vision Transformers with group-mix attention [EB/OL]. （2017-06-12）. https：//arxiv.org/abs/2311. 15157.

[25]Zhao Danpei， Wang Chenxu，Gao Yue，et al.Semantic segmentationof remote sensing image based on regional self-attention mechanism [J]. IEEEGeoscienceand Remote Sensing Letters，2021，19：8010305.

[26] Zhang Yan，Gao Xiyuan，Duan Qingyan，et al.DHT：deformable hybrid Transformer for aerial image segmentation[J].IEEE Geoscienceand Remote Sensing Letters，2022，19：6518805.

[27]Tian Daxin，Lin Chunmian，Zhou Jianshan，etal.SA-YOLOv3：an efficient and accurate object detector using self-attention mechanism for autonomous driving[J]. IEEE Trans on Intelligent Transportation Systems，2022，23（5）： 4099-4110.

[28]Tan Dayu，Yao Zhiyuan，Peng Xin，et al.Multi-level medical image segmentation network based on multi-scale and context information fusion strategy[J]. IEEE Trans on Emerging Topics in Computational Intelligence，2024，8（1）：474-487.

[29]Xie Linsen，Cai Wentian，Gao Ying.DMCGNet：a novel network for medical image segmentation with dense self-mimic and channel grouping mechanism [J]. IEEE Journal of Biomedical and Health Informatics，2022，26（10）： 5013-5024.

[30]Yang B， Bender G， Le Q V，et al. CondConv： Conditionally Parameterized Convolutions for Effcient Inference[C]//Proc of the 33rd International Conference on Neural Information Processing Systems. Red Hook，NY： Curran Associates Inc.，2019：1307-1318.

[31]Wang Qilong，Wu Banggu，Zhu Pengfei，et al.ECA-Net： efficient channel atention for deep convolutional neural networks[C]//Proc of IEEE/CVF Conference on Computer Vision and Patern Recognition.Piscataway，NJ： IEEE Press， 2020：11531-11539.

[32]CaoYue，Xu Jiarui，LinS，etal.GCNet：non-local networksmeet squeeze-excitation networks and beyond[C]//Proc of IEEE/CVF Intenational Conferenceon Computer Vision Workshop.Piscataway， NJ：IEEE Press，2019：1971-1980.

[33] Bakas S，Reyes M， Jakab A，et al.Identifying the best machine learning algorithms for brain tumor segmentation，progresson assessment，and overall survival prediction in the BRATS challenge [EB/ OL].（2019-04-23）. https：//arxiv.org/abs/1811.02629.

[34]BaidU，Ghodasara S，MohanS，etal.TheRSNA-ASNR-MICCAI BraTS 2021benchmark on brain tumor segmentation and radiogenomic classification.[EB/OL].（2021-09-12）.https：//arxiv.org/abs/2107.02314.

[35]Li Hongwei， ConteG，AnwarS，et al.The braintumorsegmenation （BraTS）challenge 2023： brain MR image synthesis for tumor segmentation（BraSyn） [EB/OL].（2024-11-24）.htps：//arxiv.org/ abs/2305. 09011.

收稿日期：2024-10-30；修回日期：2024-12-27 基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（62266011）；貴州省科技計(jì)劃資助項(xiàng)目（黔科合基礎(chǔ)-ZK[2022]一般119）；研究生創(chuàng)新人才計(jì)劃資助項(xiàng)目

作者簡(jiǎn)介：吳進(jìn)旭（1999—），男，貴州安順人，碩士，CCF會(huì)員，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)、醫(yī)學(xué)圖像處理；吳云（1973—），男（通信作者），江西景德鎮(zhèn)人，副教授，博士，CCF高級(jí)會(huì)員，主要研究方向?yàn)槿斯ぶ悄堋⒂?jì)算機(jī)視覺(jué)、醫(yī)學(xué)圖像處理、推薦系統(tǒng)（wuyun_""126. com） .