利用SegFormer提升脑肿瘤分割性能：一种基于Transformer的跨数据集泛化架构

《International Journal of Imaging Systems and Technology》：Improved Brain Tumor Segmentation With SegFormer: A Transformer-Based Architecture for Cross-Dataset Generalization

本研究提出基于Transformer架构的SegFormer模型，通过层次化片段嵌入和自注意力机制有效整合全局与局部肿瘤特征，在BraTS2020、2021及ISLES等数据集上Dice分数达0.9425、0.92123、0.874，优于CNN及混合模型，验证了其泛化能力和临床适用性。

　　

摘要

本研究旨在利用一种名为SegFormer的Transformer架构来改进脑肿瘤的分割技术。正确分割脑肿瘤对于手术规划和肿瘤进展评估至关重要。许多现有的分割技术在可视化脑肿瘤的形状和结构方面存在问题，包括过拟合和欠拟合的问题。SegFormer模型通过改进用于自然语言处理的Transformer来克服这些困难。此外，SegFormer模型通过合理整合图像块，提高了分割的准确性，从而更准确地反映了肿瘤的结构。在临床神经肿瘤学、诊断、治疗规划和随访护理中，准确分割脑肿瘤具有重要意义。本文提出了一种基于深度学习的SegFormer框架，该框架结合了分层块嵌入和基于Transformer的自注意力机制，能够同时考虑肿瘤的全局和局部特征。与基于CNN的模型及混合模型相比，我们的模型在分割精度上更具优势，并且计算成本更低。我们在BraTS2020基准数据集上首次应用该模型，获得了0.9425的Dice分数，超过了包括RMTF-Net、HMNet和CBAM TransUnet在内的现有最先进模型。为了进一步验证模型的泛化能力，我们还将该模型应用于BraTS2021数据集（Dice分数：0.92123）、ISLES中的缺血性中风病变分割数据集（Dice分数：0.874）以及TCGA数据集（Dice分数：0.860）。这些结果表明，我们的模型在多种临床成像条件下具有可靠性和适用性。我们的主要贡献包括：（1）结合基于Transformer的自注意力机制和轻量级解码技术以实现精确的分割；（2）在BraTS2020数据集上的表现优于现有最先进模型；（3）在大量数据集上验证了模型的有效性，证明了其良好的泛化能力。这些结果为下一代临床成像中的脑肿瘤和病变分割任务奠定了坚实的基础。

利益冲突

作者声明没有利益冲突。

数据可用性声明

本研究支持的数据可在Brain Tumor Segmentation (BraTS2020)数据集中公开获取，地址为：https://www.kaggle.com/datasets/awsaf49/brats2020-training-data。