用于3D医学图像分割的多组可变形卷积网络

《MEDICAL PHYSICS》：Multi-group deformable convolution network for 3D medical image segmentation

MGDC-Net通过结合可变形卷积与Transformer组件，有效提升3D医学图像分割精度，在BraTS21、FLARE21和AMOS22数据集上DSC分别达91.4%、94.4%和84.1%，为精准放射治疗提供高效解决方案。

　　

摘要

背景

医学图像分割在放射肿瘤学中发挥着重要作用，包括描绘解剖结构并检测异常。精确的医学图像分割对于准确勾画风险器官（OAR）和靶区体积至关重要，以确保放射治疗的有效性和安全性。

目的

近年来，人们越来越关注使用视觉变换器（ViT）或卷积神经网络（CNN）方法进行3D医学图像分割。这些先进的方法对于处理3D医学图像复杂的空间和语义结构至关重要，这需要较大的感受野以及适应不同的空间几何形状。然而，以往在CNN和ViT方面的研究都显示出在完全捕捉这些复杂性方面的局限性，突显了需要更复杂方法的必要性。

方法

我们提出了MGDC-Net，一种用于3D体积医学图像分割的多组可变形卷积（MGDC）网络。MGDC-Net采用具有可学习空间偏移的可变形卷积运算符，以加强对语义重要区域的关注。我们的方法利用跨受试者的稳定空间分布来增强语义学习。我们还结合了变换器组件来增强特征学习，并减少传统CNN中固有的归纳偏差。该网络结合了可变形卷积运算符和变换器组件，以提高特征学习和计算效率。

结果

MGDC-Net在三个不同的分割任务上使用了公共数据集进行了评估：脑肿瘤分割（BraTS21）、CT多器官分割（FLARE21）和跨模态MR/CT分割（AMOS22）。MGDC-Net在这三个分割任务上表现出优异的性能，分别在脑肿瘤分割（BraTS21）上获得了91.4%的DSC、CT多器官分割（FLARE21）上获得了94.4%的DSC以及在跨模态MR/CT分割（AMOS22）上获得了84.1%的DSC。此外，我们的网络在计算效率方面也与现有方法相比具有优势。

结论

MGDC-Net提供了一种强大且高效的3D体积医学图像分割方法，在多个任务中显著提高了分割性能。该网络利用可变形卷积和变换器组件的能力，表明其在医学图像分析中有更广泛的应用潜力。

利益冲突声明

作者声明没有利益冲突。