Hierarchical multi-resolution deep encoder-decoder network for MRI Brain Tumor segmentation

doi:10.1088/2057-1976/ae3e9a

Hierarchical multi-resolution deep encoder-decoder network for MRI Brain Tumor segmentation

2026-04-01

0

PRE

AI

M

Mohamad Reza Akbarzadeh Lari

K

Kamran Kazemi *

DOI：10.1088/2057-1976/ae3e9a

原文链接

原文求助

摘要

En 中文

目前，已介绍许多多尺度编码器-解码器图像分割架构以利用不同分辨率下的继承信息。然而，这些研究中分割问题的表述方式以及多分辨率信息的利用方法存在显著差异。本文首先对深度编码器-解码器分割网络中的多分辨率概念进行分类和表述。其次，我们发现这些方法存在以下不足：(i) 需要全分辨率输入图像，使其不适合在计算或空间受限的部署环境中使用；(ii) 通常设计网络在一次推理步骤中解决分割问题，而一次性解决复杂问题可能效率不高，特别是对于困难的分割任务。第三，基于这些局限性，我们提出层次化多分辨率深度编码器-解码器网络（HMRNets），其通过从低分辨率到高分辨率的层次化学习方式实现。在此设置下，深度架构被分解为一系列低分辨率网络，训练过程以易到难的方式进行。结果，HMRNets不仅允许在内存/硬件或通信信道容量受限时对输入图像的低分辨率版本进行分割，还具有层次化利用多分辨率信息以提升判别性能的潜力。第四，我们设计了一种新型轻量级注意力U型网络LAUNet作为HMRNet的基准模型。在Decathlon、BraTS18和BraTS20脑肿瘤分割数据集上的实验分析表明，采用LAUNet作为HMRNet基准模型能在新的深度分割模型中取得具有竞争力的性能。

Keyword:

encoder-decoder networks

medical image segmentation

multi-resolution segmentation

lowcontrast medical images

transfer learning

pre-training

Hierarchical multi-resolution deep encoder-decoder network for MRI Brain Tumor segmentation

摘要

期刊

机构

引用论文