基于连续融合注意力Transformer与卷积网络的脑肿瘤MRI分割方法CFATrans及其复合损失函数优化研究

本文推荐：研究者提出CFATrans模型，通过构建收缩金字塔结构的Transformer-CNN（FAT-CNN）模块对，结合多头融合注意力机制（MMAM）和复合损失函数（整合形状、概率分布及边界信息），显著提升脑肿瘤MRI分割精度（平均病灶Dice评分97.49%，HD95 2.40mm）。采用Leaky-ReLU激活和SGD优化器，在BraTS-2023/2024数据集上实现公平对比，为临床诊疗提供高效工具。

　　

亮点

本研究突破性提出：(i) 收缩金字塔结构的Transformer-CNN配对网络；(ii) 融合概率分布、形状与边界信息的复合损失函数；(iii) 建立信息序列强关联的多头融合注意力机制(MMAM)；(iv) 基于相同数据集与评估标准（病灶级DSC和HD95）的公平对比；(v) 实验证实模型性能超越现有方法（DSC 97.49%，HD95 2.40mm）。

讨论与局限性

精准快速的脑肿瘤分割对诊疗至关重要。现有CNN因卷积核局限难以捕捉全局特征，而纯Transformer易忽略局部细节。本研究通过混合架构解决该问题，但仍有改进空间：需增强小病灶检测能力，并探索多中心数据验证。

结论

CFATrans通过创新性架构设计、复合损失函数及MMAM机制，显著提升脑肿瘤MRI分割精度，为临床手术规划与定量分析提供可靠工具。未来将优化小病灶敏感性并扩展临床应用场景。

（注：翻译严格保留专业术语如HD95、DSC等，采用"病灶级"等医学表述，并省略文献引用标识）