38、脑肿瘤分割的边缘导向Transformer模型EoFormer

脑肿瘤分割的边缘导向Transformer模型EoFormer

1. 引言

准确地从MRI图像中分割脑肿瘤具有重要意义，它能帮助医生更精准地评估肿瘤的形态、大小、位置和分布范围，为诊断和治疗提供可靠依据。医生通常依据病变组织和正常组织之间不同的信号强度来手动描绘肿瘤区域，而这种信号差异构成了图像中的边缘信息，对精确的肿瘤分割至关重要。

目前，基于CNN的网络（如UNet、SegResNet和nnUNet）在医学图像分割（包括脑肿瘤分割）领域取得了显著进展。随着Transformer的出现，一些CNN - Transformer混合网络（如TransBTS、UNETR、Swin - UNETR和NestedFormer）进一步提升了脑肿瘤分割的效果。然而，现有的脑肿瘤分割方法在肿瘤病变与正常组织边缘的分割性能上仍不尽人意。

在自然图像分割领域，关注边缘信息已取得了显著进展，且这一思路也被应用到医学图像分割中。但现有的边缘处理方法大多不适用于脑肿瘤分割，主要原因有两点：一是效率问题，部分方法在每次迭代中需要计算Hausdorff距离，耗时且计算量大，对大量MRI图像逐像素处理不切实际；二是任务复杂性，脑肿瘤分割需要同时分割三个区域（整个肿瘤、肿瘤核心和增强肿瘤区域），不仅要关注肿瘤与正常组织的边缘，还要考虑肿瘤内部的边缘。

为了解决这些问题，本文提出了一种边缘导向的Transformer（EoFormer），用于高效准确的脑肿瘤分割。该模型设计了基于CNN - Transformer的编码器（Efficient Hybrid Encoder，EHE），以实现更有效的特征表示；在解码器中使用了两个边缘锐化模块（Edge - oriented Sobel和Laplac