用于多模态MRI脑肿瘤图像分割的融合双重对抗学习CNN-Transformer模型
华楷文
方贤进
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对CNN(convolutional neural network)-Transformer分割模型在训练数据中提取特征信息不充分和鲁棒性差的问题,提出融合双重对抗学习的 CNN-Transformer(CNN-Transformer model fusing dual adversarial learning,TransFDA)分割模型.首先,引入判别器模块,此模块不同于常用的对抗学习方法,先将原始数据与预测出的结果进行判别,然后将原始数据中未分割区域的信息传入分割模型,加强分割模型对此区域信息的学习.其次,为提升分割模型的鲁棒性,引入虚拟对抗训练,使用模型正常预测结果和添加扰动后得到的预测结果进行对抗学习,提升分割模型对不确定数据信息的学习能力.在Brats2020 验证集中,肿瘤整体区域(whole tumor,WT)、肿瘤核心区域(tumor core,TC)和增强肿瘤区域(enhancing tumor,ET)的戴斯相似系数(Dice similarity coefficient,DSC)分别为0.8922、0.7909、0.7530.相较于同等实验条件下的TransBTS(brain tumor segmentation using Transformer)模型性能有所提升.定量和定性实验结果表明,所提TransFDA在不需要额外添加数据的情况下学习到了更多的特征信息,增强了模型的鲁棒性,显著提升了模型分割精度.
关键词：CNN-Transformer对抗学习判别器模块虚拟对抗训练Brats2020
分类号：TP391.4(计算技术、计算机技术)
资助基金：安徽高校与人工智能研究院协同创新项目(GXXT-2021-006)
论文发表日期：2023-12-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 479-488 )
英文信息