基于半小波注意力机制(SWATT)的脑肿瘤图像分割增强模型研究

【编辑推荐】本研究创新性地提出半小波注意力模块(SWATT)，将其嵌入U-Net架构构建SWATT U-Net模型，在BraTS2020数据集上实现平均交并比(mean-IoU)从82.82%提升至87.16%，显著改善了脑肿瘤边界模糊、形态异质性等分割难题，为精准医疗诊断提供新工具。

　　

亮点

本研究引入革命性的半小波注意力(SWATT)模块，通过多尺度特征分析能力，显著提升脑肿瘤边界识别精度，犹如为算法装上"显微放大镜"，使模型能精准捕捉肿瘤组织的细微纹理特征。

方法学

半小波(SW)层及其逆变换

首先构建半小波层及其逆变换层，通过尺度缩放实现输入图像的多分辨率分析，就像用不同倍率的镜头逐级扫描肿瘤区域。

注意力机制

基于SW层开发新型SWATT注意力机制，其创新性地融合空间域和小波域特征，使模型能像经验丰富的放射科医生那样，自动聚焦于肿瘤核心区和浸润边缘。

SWATT U-Net模型

将SWATT模块植入经典U-Net架构，形成具有"特征筛选-强化"双通道的新型网络，在保持U-Net跳跃连接优势的同时，增强了对胶质瘤亚区(坏死核心/增强肿瘤/水肿带)的鉴别能力。

结果

在BraTS2020基准测试中，SWATT U-Net的mean-IoU达到87.16%，较基线提升4.34个百分点。更令人振奋的是，当SWATT移植至PSPNet、ResNet等模型时，带来14.53%-20.88%的惊人提升，证实其具有普适增强效应。统计检验(p<0.01)表明所有改进均具有显著性。

结论

面对脑肿瘤图像分割中形状不规则、边界模糊、组织异质性三大挑战，SWATT机制展现出强大的特征解耦能力。其创新点在于将小波分析与注意力机制有机结合，犹如为深度学习模型装配"智能显微镜"，未来可拓展至其他医学影像分析领域。