Shape-Scale Co-Awareness Network for 3D Brain Tumor Segmentation

背景(考古学) 卷积神经网络 比例(比率) 分割 人工智能 特征(语言学) 计算机科学 图像分割 计算机视觉 匹配(统计) 形状上下文 空间语境意识 特征提取 模式识别(心理学) 图像(数学) 物理 数学 生物 统计 哲学 语言学 古生物学 量子力学
作者
Lifang Zhou,Yu Jiang,Weisheng Li,Jun Hu,Shenhai Zheng
出处
期刊:IEEE Transactions on Medical Imaging [Institute of Electrical and Electronics Engineers]
卷期号:43 (7): 2495-2508 被引量:1
标识
DOI:10.1109/tmi.2024.3368531
摘要

The accurate segmentation of brain tumor is significant in clinical practice. Convolutional Neural Network (CNN)-based methods have made great progress in brain tumor segmentation due to powerful local modeling ability. However, brain tumors are frequently pattern-agnostic, i.e. variable in shape, size and location, which can not be effectively matched by traditional CNN-based methods with local and regular receptive fields. To address the above issues, we propose a shape-scale co-awareness network (S 2 CA-Net) for brain tumor segmentation, which can efficiently learn shape-aware and scale-aware features simultaneously to enhance pattern-agnostic representations. Primarily, three key components are proposed to accomplish the co-awareness of shape and scale. The Local-Global Scale Mixer (LGSM) decouples the extraction of local and global context by adopting the CNN-Former parallel structure, which contributes to obtaining finer hierarchical features. The Multi-level Context Aggregator (MCA) enriches the scale diversity of input patches by modeling global features across multiple receptive fields. The Multi-Scale Attentive Deformable Convolution (MS-ADC) learns the target deformation based on the multiscale inputs, which motivates the network to enforce feature constraints both in terms of scale and shape for optimal feature matching. Overall, LGSM and MCA focus on enhancing the scale-awareness of the network to cope with the size and location variations, while MS-ADC focuses on capturing deformation information for optimal shape matching. Finally, their effective integration prompts the network to perceive variations in shape and scale simultaneously, which can robustly tackle the variations in patterns of brain tumors. The experimental results on BraTS 2019, BraTS 2020, MSD BTS Task and BraTS2023-MEN show that S 2 CA-Net has superior overall performance in accuracy and efficiency compared to other state-of-the-art methods. Code: https://github.com/jiangyu945/S2CA-Net.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
空曲发布了新的文献求助10
2秒前
was_3完成签到,获得积分10
6秒前
yingzaifeixiang完成签到 ,获得积分10
7秒前
乐观发卡完成签到,获得积分20
12秒前
25秒前
开放访天完成签到 ,获得积分10
30秒前
xuwanyu发布了新的文献求助10
30秒前
穆一手完成签到 ,获得积分10
35秒前
xuwanyu完成签到,获得积分10
54秒前
东单的单车完成签到,获得积分10
1分钟前
烟熏妆的猫完成签到 ,获得积分10
1分钟前
李爱国应助乐观发卡采纳,获得10
1分钟前
快乐的七宝完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
zhang20082418发布了新的文献求助10
1分钟前
乐观发卡发布了新的文献求助10
1分钟前
1分钟前
菠萝包完成签到 ,获得积分10
1分钟前
sydhwo完成签到 ,获得积分10
1分钟前
orixero应助碎片采纳,获得10
1分钟前
2分钟前
悠悠完成签到 ,获得积分10
2分钟前
zhang20082418发布了新的文献求助10
2分钟前
qiang344完成签到 ,获得积分10
2分钟前
前程似锦完成签到 ,获得积分10
2分钟前
碎片发布了新的文献求助10
2分钟前
Nick完成签到 ,获得积分10
2分钟前
zhang20082418发布了新的文献求助10
2分钟前
zsl完成签到,获得积分10
2分钟前
隐形曼青应助zsl采纳,获得10
2分钟前
高高的笑柳完成签到 ,获得积分10
2分钟前
杨永佳666完成签到 ,获得积分10
3分钟前
ttazi应助碎片采纳,获得10
3分钟前
可耐的无剑完成签到 ,获得积分10
3分钟前
天真幻珊完成签到 ,获得积分10
3分钟前
冯大哥完成签到,获得积分10
3分钟前
TZG完成签到 ,获得积分0
3分钟前
trying完成签到,获得积分10
3分钟前
angel完成签到,获得积分10
3分钟前
高分求助中
中国国际图书贸易总公司40周年纪念文集 大事记1949-1987 2000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
草地生态学 880
Threaded Harmony: A Sustainable Approach to Fashion 799
Basic Modern Theory of Linear Complex Analytic 𝑞-Difference Equations 510
中国有机(类)肥料 500
Queer Politics in Times of New Authoritarianisms: Popular Culture in South Asia 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3059677
求助须知:如何正确求助?哪些是违规求助? 2715529
关于积分的说明 7445380
捐赠科研通 2361205
什么是DOI,文献DOI怎么找? 1251238
科研通“疑难数据库(出版商)”最低求助积分说明 607711
版权声明 596467