中文引用格式： 方云翔，王路路，李英娜，等. 融合多模態分組特征處理模塊的腦腫瘤分割方法[J]. 電子技術應用，2025，51(11)：46-52.
英文引用格式： Fang Yunxiang，Wang Lulu，Li Yingna，et al. A brain tumor segmentation method with multi-modal grouped feature processing module[J]. Application of Electronic Technique，2025，51(11)：46-52.
引言
腦部腫瘤，又稱顱內腫瘤，是發生在顱腔內的神經系統腫瘤，通常由腦部正常組織病變形成。精準的腫瘤分割對于臨床診斷和手術治療至關重要。
為實現腦部腫瘤的自動分割，研究者提出了多種方法。傳統方法包括基于機器學習、圖譜、閾值以及區域生長的分割技術[1-4]。然而，這些方法往往依賴人工特征工程，導致特征表示能力受限，難以應對復雜的腫瘤形態。
近年來，隨著深度學習技術的快速發展，卷積神經網絡（CNN）在各類視覺任務中展現出卓越的性能。憑借強大的特征學習能力，CNN已被廣泛應用于腦部腫瘤分割任務，并取得了顯著成效[5]。
自U-Net[6] 提出以來，基于U-Net架構的方法逐漸成為醫學圖像分割領域的主流。?i?ek等人進一步擴展了U-Net的二維卷積至三維卷積，提出3D U-Net[7]，使模型能夠直接處理三維醫學數據。DUNet[8]則引入可變形卷積，以擴展編碼器的感受野。隨著Transformer的興起，其強大的建模能力在多個領域得到廣泛應用。TransUNet[9]通過將Transformer集成至U-Net架構，提升了模型的局部與全局特征提取能力。UNETR[10]進一步創新，采用預訓練的視覺Transformer替代傳統卷積編碼器。Swin UNETR[11]則結合了Swin Transformer與U-Net架構，利用Swin Transformer的滑動窗口策略有效降低了計算成本。
然而，上述模型在處理對MRI圖像的多模態信息時，僅僅是通過將MRI圖像的不同模態簡單地進行通道拼接，未能充分挖掘和融合多模態醫學圖像的潛在信息，可能導致信息冗余或關鍵特征的損失。針對這一問題，本文提出了一種基于3D UX-Net模型的改進的腦腫瘤MRI圖像分割模型MGF-UX Net，旨在通過多模態分組特征（Multi-modal Grouped Feature，MGF）模塊更深入地捕獲和整合不同模態的互補特征，緩解多模態信息利用不足所導致的分割精度瓶頸，提升腦腫瘤MRI圖像的分割性能。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000006839
作者信息：
方云翔1，王路路1，李英娜1，杜井龍2
（1.昆明理工大學 云南省計算機重點實驗室， 云南 昆明 650500；
2.重慶醫科大學 醫學信息學院， 重慶 400016）
