基于统一基准的三维脑肿瘤MRI分割:CNN、Transformer与状态空间模型的对比研究
《Electronics》:A Unified Benchmark of Deep Learning Models for Multi-Task 3D Brain Tumor Segmentation from Magnetic Resonance Imaging
【字体:
大
中
小
】
时间:2026年10月02日
来源:Electronics 2.9
摘要
基于磁共振成像(MRI)的脑肿瘤自动分割已成为计算机辅助诊断、治疗计划和疾病监测中的基本任务。尽管近年来提出了许多深度学习架构,但由于已发表的研究通常采用不同的数据集、预处理策略、训练方案和评估流程,客观比较仍然具有挑战性。本文提出了一个统一的实验基准,用于在共同的实验框架下比较卷积神经网络(CNN)、基于Transformer的模型以及最新的状态空间模型(SSM)架构。包括3D U-Net、SegResNet、Swin UNETR、SegMamba和SegMambaV2在内的五个代表性三维分割模型,在脑肿瘤分割(BraTS)挑战赛的两个数据集中进行了评估,这两个数据集代表了不同的临床场景:颅内脑膜瘤分割(BraTS 2023)和治疗后胶质瘤分割(BraTS 2024)。所有架构均采用相同的数据划分、预处理和数据增强流水线、损失函数、优化器、验证方案和评估流程进行训练,同时为SegMamba和SegMambaV2引入了针对模型的学习率和梯度裁剪调整,以确保数值稳定性。性能评估使用分割精度指标以及计算成本指标,包括推理时间和各模型的大小。研究结果为分割精度与计算效率之间的权衡提供了实际见解,突出了不同架构范式在具有挑战性的三维脑肿瘤分割任务中的适用性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号