.png){kind=icon}
返回
Explainable deep learning framework for brain tumor segmentation using vision transformer and conditional random fields
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-025-02075-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑肿瘤分割对于准确识别和治疗方案制定至关重要。然而，由于尺寸、形态和分割标准存在多样性，精确勾画复杂的肿瘤区域（如水肿、肿瘤核心和增强肿瘤）仍然具有挑战性。本文提出了一种新型深度学习模型，该模型整合了预训练的Vision Transformer（ViT）用于全局上下文表征，在编码器及融合阶段均采用了Atrous Spatial Pyramid Pooling（ASPP），并引入了ReLU6激活函数。此外，模型还融入了注意力机制和Conditional Random Fields（CRF）以优化特征强调和分割边界。该模型在BraTS 2020数据集上进行训练和测试，并与当前先进方法进行了比较。结果表明，所提出的模型在所有肿瘤区域均获得了最高的Dice系数，在增强肿瘤和水肿区域的分割中相较于nnU-Net和SwinBTS最高提升了4%。Grad-CAM热力图展示了模型在精确识别肿瘤区域方面的能力，从而增强了预测结果的可解释性。多尺度特征提取、注意力机制及全局上下文表征的引入显著提升了分割精度和可解释性。研究结论强调了所提模型在优化临床流程和建立脑肿瘤分割任务标准方面的潜力。未来工作将涉及在不同数据集上进行测试，并探索轻量化结构以实现实时应用。
Keyword:
Brain tumor segmentation
Vision transformer
Grad-CAM
Conditional random fields
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Automatic segmentation of glioblastoma multiform brain tumor in MRI images: Using Deeplabv3+with pre-trained Resnet18 weightsMRI图像中多形胶质母细胞瘤脑肿瘤的自动分割: 使用Deeplabv3和预先训练的Resnet18权重
OAAI
OAAI分享收藏3DUV-NetR+: A 3D hybrid semantic architecture using transformers for brain tumor segmentation with MultiModal MR images3DUV-NetR: 使用变压器的3D混合语义架构，用于多模态MR图像的脑肿瘤分割OAAI
OAAI分享收藏Brain Tumor Segmentation from MRI Images Using Handcrafted Convolutional Neural Network.png)
DIAGNOSTICSOAAI
DIAGNOSTICSIF3.3
OAAI分享收藏BrainNet: a fusion assisted novel optimal framework of residual blocks and stacked autoencoders for multimodal brain tumor classificationSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Brain tumor segmentation with Self-ensembled, Deeply-Supervised 3D U-Net neural networks: A brats 2020 challenge solution基于Self-ensembled、Deeply-Supervised 3D U-Net神经网络的脑肿瘤分割：一个BRATS 2020挑战解决方案
IF0
PREAI
分享收藏
查看更多内容