编辑推荐：
脑肿瘤形态复杂、边界模糊致分割困难。本研究提出 MISA-Net，通过多尺度特征交互模块（MSFI）和选择性特征融合注意力机制（SFFA）提升分割精度。在 BraTS 2019 等数据集上，其 Dice 系数表现优异，为临床诊断提供新方案。
脑肿瘤作为严重威胁人类生命健康的疾病，具有高死亡率和复发率，临床精准的术前分割对手术效果至关重要。磁共振成像（MRI）虽能提供高对比度图像帮助区分组织，但肿瘤位置、大小、形状不规则及边界模糊等问题，导致手动分割耗时且依赖医生经验。尽管卷积神经网络（CNN）如 U-Net 及其改进模型在脑肿瘤分割中取得进展，但传统 U 型网络对图像多尺度信息考虑不足，且特征拼接会带来冗余问题，影响分割精度。在此背景下，为解决这些难题，相关研究机构的研究人员开展了关于脑肿瘤分割网络的研究，提出了 MISA-Net，该研究成果发表在《IRBM》。
研究人员主要采用的关键技术方法包括：构建基于增强多尺度特征交互和选择性特征融合注意力的 MISA-Net 网络，其中在编码器阶段引入多尺度特征交互模块（MSFI），在跳跃连接后引入选择性特征融合注意力机制（SFFA），并在 BraTS 2019、Kaggle LGG、Figshare 等多个数据集上进行实验验证。
结果
- BraTS 2019 数据集实验：通过在该数据集上的实验得出，MISA-Net 在增强区域、核心区域和整个肿瘤区域的 Dice 系数分别达到 80.02%、88.86% 和 86.02%。
- Kaggle LGG 数据集实验：实验结果显示，在该数据集上整个肿瘤区域的 Dice 系数令人印象深刻地达到 90.33%。
- Figshare 数据集实验：研究表明，在该数据集上整个肿瘤区域的 Dice 系数达到 84.97%。
结论与讨论
MISA-Net 与现有主流模型相比，在脑肿瘤分割任务中表现出更优的性能。MSFI 模块通过捕获多尺度的局部和全局特征并促进跨空间和通道维度的交互，提高了模型的特征提取和识别能力，有效应对了肿瘤形状和大小的变化，增强了肿瘤边界检测和对不同肿瘤区域的理解；SFFA 模块通过并行集成空间和通道注意力机制，结合多尺度特征提取，显著提升了模型识别关键特征的能力，减少了冗余特征的干扰，提高了肿瘤边界分割的准确性。该研究为脑肿瘤的临床诊断和治疗提供了更有效的工具，展现了 MISA-Net 在该领域的潜力和优势。
