基于非对称U型卷积神经网络的脑肿瘤图像分割

在计算机视觉分割任务中,基于Transformer的图像分割模型需要大量的图像数据才能达到最好的性能,医学图像相对于自然图像,数据量非常稀少,而卷积本身具有更高的感应偏差,使得它更适合医学图像方面的应用.为了将Transformer的远程表征学习与CNN的感应偏差相结合,本文设计了残差ConvNeXt模块来模拟Transformer的设计结构,采用深度卷积和逐点卷积组成的残差ConvNeXt模块来提取特征信息,极大地降低了参数量.并对感受野和特征通道进行了有效的缩放和扩展,丰富了特征信息.此外,本文提出了一个非对称3D U型网络ASUNet用于脑肿瘤图像的分割.在非对称U型结构中,采用残差连接,将最后两个编码器的输出特征进行连接来扩大通道数.最后,在上采样的过程中采用深度监督,促进了上采样过程中语义信息的恢复.在BraTS 2020和FeTS 2021数据集上的实验结果表明,ET、WT和TC的骰子分数分别达到了77.08%、90.83%、83.41%和75.63%、90.45%、84.21%.并且通过对比实验,ASUNet在准确性方面完全可以与Transformer构建的模型竞争,同时保持了标准卷积神经网络的简单性和高效性.