TSF U-Net:一种用于脑肿瘤 MRI 分割的纹理跨度与频域门控 U-Net
《Electronics》:TSF U-Net: A Texture-Span and Frequency-Gated U-Net for Brain Tumor MRI Segmentation
【字体:
大
中
小
】
时间:2026年08月28日
来源:Electronics 2.9
摘要
准确的脑肿瘤磁共振成像(MRI)分割对于客观的病灶评估和治疗规划至关重要,但由于肿瘤表现出大规模的变异、不规则的形态、异质的内部纹理以及模糊的边界,其难度依然巨大。传统的U-Net变体通常只能改进空间特征提取或跳跃连接融合中的一个方面,而未能同时解决病理纹理变化的自适应表征和浅层噪声特征的语义过滤问题。为弥补这一不足,本文提出了一种纹理跨度与频率门控U-Net(TSF U-Net),建立了一个协同的空间域与频率域特征学习框架。在该框架内,通过集成并行的多尺度上下文提取和由局部最大/最小特征响应推导的病理纹理跨度门控机制,设计了一个纹理跨度门控多尺度(TSGM)模块。该设计使编码器能够在无需额外边界监督的情况下,强调异质肿瘤区域及与边界相关的变化。此外,在跳跃连接中引入了一种离散余弦频率门控融合(DCT-FGB)模块。该模块利用深层语义特征为浅层跳跃特征生成由上至下的频率域门控掩膜,从而在解码器融合之前保留有用的结构信息,同时减少背景和噪声干扰。在脑肿瘤数据集上,TSF U-Net取得了86.471%的平均交并比(mIoU)、87.424%的召回率、84.693%的F1分数以及0.819的Dice系数,相比U-Net基线在mIoU上提升了1.243个百分点,在F1分数上提升了1.645个百分点。在BRICS 2025数据集上也取得了88.882%的最高mIoU。消融实验结果证实了TSGM和DCT-FGB的互补贡献。双向跨数据集实验分别取得了77.369%和70.881%的mIoU,为数据集分布偏移下的可迁移性提供了初步证据。这些发现表明,在空间域中联合建模病理纹理变化并在频率域中进行语义化跳跃特征选择,是提高脑肿瘤MRI分割中边界敏感性、抗噪性和跨数据集鲁棒性的有效策略。
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