.png){kind=icon}
返回
DiffBTS: A Lightweight Diffusion Model for 3D Multimodal Brain Tumor Segmentation
.png){kind=icon}
OA
AI
DOI：10.3390/s25102985.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
去噪扩散概率模型（DDPMs）已在各种研究领域取得了显著成功。然而，它们在处理3D图像时的高复杂度仍是一个限制因素。为缓解这一问题，研究人员通常会预先将数据处理成2D切片，使模型能够在简化的2D空间中进行分割。本文介绍了DiffBTS，一种专为3D脑肿瘤分割设计的端到端、轻量级扩散模型。DiffBTS通过引入高效的3D自注意力机制，替换了传统扩散模型中的常规自注意力模块。该机制应用于模型的降采样和跳跃连接之间，使其能更有效地捕捉长距离依赖关系和全局语义信息。这种设计防止了计算复杂度呈平方级增长。预测精度和模型稳定性在脑肿瘤分割中至关重要；我们提出了边缘模糊引导（EBG）算法，该算法在迭代采样过程中引导扩散模型更加关注分割边界的准确性。这种方法提升了预测精度和稳定性。为评估DiffBTS的性能，我们在BraTS 2020和BraTS 2021数据集上将其与七种最先进模型进行了比较。DiffBTS在BraTS2021上取得了89.99的平均Dice分数和1.928 mm的平均HD95值，在BraTS2020上分别为86.44和2.466 mm。大量的实验结果表明，DiffBTS在脑肿瘤分割中达到了最先进的性能，超越了所有竞争模型。
Keyword:
brain tumor segmentation
diffusion model
self-attention
guidance method
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割.png)
OAAI
IF0
OAAI分享收藏MedSegDiff-V2: Diffusion-Based Medical Image Segmentation with TransformerMedSegDiff-V2: 基于扩散的医学图像变换分割OAAI
OAAI分享收藏Accelerating Diffusion Models Via Pre-Segmentation Diffusion Sampling for Medical Image SegmentationOAAI
OAAI分享收藏
Diagnostic accuracy of qualitative MRI in 550 paediatric brain tumours: evaluating current practice in the computational era定性MRI在550例儿科脑肿瘤中的诊断准确性：评估计算时代的当前实践OAAI
OAAI分享收藏
查看更多内容