基于Swin Transformer的多模态MRI脑肿瘤图像分割模型STDRCaU-NetOA

脑肿瘤是全球范围内高发病率和致死率的重大疾病。精准分割脑肿瘤及其病变区域对临床诊疗具有重要意义。近年来,深度学习技术显著推动了医学图像分割的发展,但目前的主流模型存在对特征图全局和局部特征提取不全面、浅层和深层特征信息利用不充分的问题。此外,脑部健康组织和脑肿瘤组织存在非常严重的数据不平衡,脑肿瘤组织中不同子区域也存在严重的数据不平衡。因此,本文提出一种基于Swin Transformer的多模态MRI脑肿瘤分割模型——STDRCaU-Net。该模型通过Swin UX Transformer与Dynamic Conv3d两个模块并行协作,分别高效地建模特征图的远程全局依赖关系和短程局部上、下文信息。本文引入Enhance Converge模块以提高对细节纹理等局部特征的提取能力,通过跳跃连接融合深层和浅层特征信息,采用类别加权策略计算损失以缓解数据集中的数据不平衡。本文提出的STDRCaU-Net模型在BraTS2021数据集中得到的Dice系数分别为0.913(WT)、0.883(TC)和0.856(ET)。对比现有主流分割模型发现,STDRCaU-Net在3个类别中平均Dice指标展现出最优性能,为0.884,证明了其在多模态MRI分割任务中的有效性。