基于卷积和可变形注意力的脑胶质瘤图像分割

对于脑胶质瘤图像分割这类密集预测的医学影像分割任务，局部和全局依赖关系都是不可或缺的，针对卷积神经网络缺乏建立全局依赖关系的能力，且自注意力机制在局部细节上捕捉能力不足等问题，提出了基于卷积和可变形注意力的脑胶质瘤图像分割方法。设计了卷积和可变形注意力Transformer的串行组合模块，其中卷积用于提取局部特征，紧随其后的可变形注意力Transformer用于捕捉全局依赖关系，建立不同分辨率下局部和全局依赖关系。作为一种CNN-Transformer混合架构，所提方法不需要任何预训练即可实现精准的脑胶质瘤图像分割。实验结果表明：所提方法在BraTS2020脑胶质图像分割数据集上平均Dice系数和平均95%豪斯多夫距离分别为83.56%和11.30 mm,达到了与其他脑胶质瘤图像分割方法相当的分割精度，同时降低了至少50%的计算开销，有效提升了脑胶质瘤图像分割的效率。