基于语义流和尺度感知的轻量级脑肿瘤分割

传统的U-Net结构在处理核磁共振脑肿瘤图像时，感受野大小受到限制，上下文信息之间存在语义断层，并且简单的跳跃连接可能会导致编解码过程中的空间对齐出现问题，导致分割效果不佳。针对以上问题，本研究提出了一种基于语义流和尺度感知（SA）辅助分支模块的轻量级脑肿瘤分割网络。该网络通过语义信息流引导跳跃连接，实现特征的有效融合；在特征提取过程中，采用分层解耦卷积（HDC）替代传统的标准卷积，以显著减少参数量；引入尺度感知模块作为辅助分支，在不同尺度下融合特征信息，以进一步增强网络的识别能力，提升整体分割效果。在公开数据集BraTS2018、BraTS2019和BraTS2020上进行了对比实验。结果表明：相较于当前流行的轻量级脑肿瘤分割网络，所提网络在分割效果上均有所提高，其在上述三个数据集上的平均分割精度分别为85.83%、83.76%、83.41%；在BraTS2020数据集上，所提网络在整个脑肿瘤（ET）区域、肿瘤核心（TC）区域、增强肿瘤（ET）区域的Dice相似系数分别为77.61%、89.50%、83.13%，证明了该网络对TC区域的卓越分割性能，同时也证明其具有更好的捕获细节和边缘信息的能力。