中圖分類號：TP391.41；R739.41 文獻標識碼：A DOI：10.7535/hbkd.2025yx04005

Graph convolution-based adaptive feature fusion method for MRI brain tumor segmentation

ZHANG Ye1，ZHANG Muqing2，YUAN Xuegang1，NIU Datian1 （1.School of Science，Dalian Minzu University，Dalian，Liaoning1166oo，China; 2.School of Computer Science and Enginering，Dalian Minzu University，Dalian，Liaoning l166oo，China）

Abstract：Toaddress theisues ofinsuffcient global information capture and inadequatedeep semantic information fusion in the U-Netmodel for MRIbrain tumor segmentation，anovel braintumor segmentation network，ASGU-Net was proposed.

The algorithm wasbasedon 3D U-Net，incorporating agraph convolution inferencemodule tocaptureadditional long-range contextualfeatures.Aditionally，dynamicsnakeconvolution（DSConv）was introduced inthe encoder-decodertobetter accommodate the varied shapes of tumors，enhancing edge feature extractionand improving segmentation acuracy. Furthermore，anadaptivespatial featurefusion（ASFF）modulewas introduced in the decoder toenhance the feature fusion efect byintegrating semantic informationcaptured by multipleencoderblocks.Theevaluationonthepubliclyavailable BraT 2019—2021 datasets shows that the Dice values for whole tumor，tumor core and enhanced tumor are 90.70%/90.70% 1 91.00% ， 84.90%/84.00%/88.80% and 77.30%/77.40%/82.50% ，respectively. The experimental results demonstrate the effectiveessofASGU-NetinthebraintumorsegmentationtaskASGU-Netcaneectiveladdressstheissuesofiadequateglobal informationcaptureand feature fusion，providing effective reference for high-precisionautomatedbrain tumorsegmentation.

KeyWords：computer neuralnetwork；brain tumor segmentation；3D U-Net；graph convolution inferencebotteneck layer; dynamic snake convolution;adaptive spatial feature fusion

腦腫瘤是腦部異常細胞形成的腫塊，嚴重威脅人類的健康與生命。精確的腦腫瘤自動化分割在臨床診斷、治療方案制定以及術后監(jiān)測中起著至關重要的作用。因此，開發(fā)腦腫瘤高精度自動化分割方法已經成為醫(yī)療圖像分析領域的重要研究方向[]。

隨著深度學習的迅猛發(fā)展，眾多與醫(yī)療圖像分割相關的研究取得了顯著進展，基于卷積神經網絡的方法在醫(yī)療圖像分割領域得到了廣泛應用。文獻[2]提出編解碼器構成的U-Net網絡成為腦腫瘤分割任務的主流架構，但橫向連接操作融合低級特征圖與高級特征圖時會出現(xiàn)局部信息不連續(xù)和空間信息減少等問題。文獻[3]提出在編碼器特征和解碼器特征間采用加性注意力機制來進一步提升網絡的分割性能。文獻_4-5分別在三維U-Net中集成殘差模塊和跨階段模塊，增強網絡提取特征信息的能力。但純卷積結構不擅長捕獲全局語義信息。Transformer模型近年來在捕獲全局特征上展現(xiàn)出巨大的潛力，引起了研究者的關注。研究者們提出的基于 Transformer 模型的網絡有 PMTrans[6]、MultiTrans[7]、SwinTransformer[8]等。盡管 Transformer具有學習長距離依賴關系的能力，但其高計算復雜性對模型效率和內存占用帶來了重大挑戰(zhàn)，因此，研究人員嘗試引入圖卷積神經網絡。文獻[9]提出了一種基于圖卷積神經網絡的腦腫瘤分割方法，利用圖推理模塊獲得鄰居節(jié)點信息以提升腦腫瘤分割精度。文獻[10]則創(chuàng)新性地提出了一種雙圖推理單元的方法，通過將空間推理模塊和信道推理模塊并行處理，以關注圖像中豐富的空間信息和上下文依賴關系。文獻[11]提出M2GCNet網絡通過邊捕獲像素之間的潛在關系。但是腦腫瘤邊界不規(guī)則、病變區(qū)域密集且連續(xù)擴散，現(xiàn)有方法沒有考慮腦腫瘤形態(tài)各異的特點且沒有很好地利用編解碼過程中產生的深層語義信息。

本文針對現(xiàn)有腦腫瘤分割方法在MRI腦腫瘤分割任務上存在的全局信息捕獲不足和深層語義信息融合不充分問題，提出一種基于圖卷積的自適應特征融合網絡（adaptive spatial and graph-convolutional U-Net，ASGU-Net）。通過將圖卷積推理瓶頸層嵌入U-Net架構，利用鄰居節(jié)點信息進行空間推理，以捕獲額外的遠程上下文特征；利用動態(tài)蛇形卷積（dynamic snake convolution，DSConv）的特性，通過改變卷積核形狀引導模型關注關鍵特征，從而更貼合形態(tài)各異的腦腫瘤分割任務；為進一步提升特征融合效果，設計自適應空間特征融合（adaptive spatial feature fusion，ASFF）模塊融合編碼器階段的深層語義信息以提升分割性能。

1基于圖卷積的自適應特征融合方法

1.1 總體結構

ASGU-Net模型總體結構如圖1所示。ASGU-Net主體上采用了經典的編解碼器結構，通過構建圖卷積推理瓶頸層，利用圖卷積推理模塊（graph convolutional reasoning module，GCRM）對節(jié)點信息的強大處理能力，更好地捕獲圖像中的空間信息和上下文特征。此外，為了更貼合腦腫瘤形態(tài)各異的特點，使用DSConv來替代傳統(tǒng)卷積模塊，通過動態(tài)調整卷積核的形狀和大小實現(xiàn)更精細的特征提取。考慮到經典的編解碼器結構易忽略其在編解碼操作時提取的深層語義信息，引人ASFF模塊融合每個解碼器提取的深層語義信息，通過融合不同尺度的特征提升分割的準確性。

1.2 圖卷積推理瓶頸層

圖卷積推理瓶頸層通過在U-Net瓶頸層嵌人全局推理模塊以輔助兩階段框架[12]。考慮到U-Net在進行腦腫瘤圖像特征提取時可能存在空間信息損失和空間信息利用不充分等問題，嵌入圖卷積推理瓶頸層來對下采樣提取的特征進行全局推理。該模塊巧妙地結合了多尺度池化算子和GCRM，旨在利用GCRM對節(jié)點信息的強大處理能力，更好地理解和提取圖像中的空間信息和上下文特征。通過聚合鄰居節(jié)點信息，該模塊可以增強特征表示，從而提高分割結果的準確性和穩(wěn)定性。

GCRM將輸入拆分為4個不同路徑，具體過程如圖2所示。其中，有3個路徑分別與不同內核大小的池化層相對應，池化層內核的大小分別為 2×2×2.3×3×3 和 5×5×5 。這3個路徑負責將不同腦腫瘤層的特征編碼為全局特征圖，然后這些特征圖被送入 3×3×3 卷積和GCRM進行處理。

在GCRM中，首先將原始特征投影到節(jié)點空間，然后對節(jié)點空間特征進行圖卷積操作以提取全局節(jié)點特征。為了將全局節(jié)點特征與原始特征相融合，在融合之前將它們反向投影回原始特征空間。這使得GCRM能夠處理長距離空間上下文信息。在進行GCRM操作之后，通過雙線性插值對全局特征進行上采樣以匹配原始輸入特征圖的大小。最后，重新組合這4條路徑并連接各要素，形成完整的圖卷積推理瓶頸層。

1.3 DSConv模塊

在傳統(tǒng)的卷積神經網絡中，卷積運算的感受野是固定的，在一定程度上限制了網絡的適應性和泛化能力。針對腦腫瘤分割任務中腦腫瘤形態(tài)各異的特點，采用DSConv代替?zhèn)鹘y(tǒng)的卷積模塊。目的是引入變形偏移，為卷積核提供更大的靈活性，從而在卷積操作中實現(xiàn)更精細的特征提取[13]，其結構如圖3所示。通過動態(tài)調整卷積核的形狀和大小，DSConv能夠更好地適應不同形狀、大小和分布的輸人數(shù)據(jù)，從而提高腦腫瘤分割的準確性和魯棒性。

執(zhí)行DSConv以有效提取腦腫瘤圖像局部特征的方法如下。設定標準三維卷積 K 的中心坐標為 （x_i ，（20 y_i，z_i） ，對于 3×3×3 卷積核，膨脹率設置為1，可以表示為

K={（x-1，y-1，z-1），（x-1，y，z），…，（x+1，y+1，z+1）}，

為使卷積核能夠更加靈活地關注目標的復雜幾何特征，引入偏移變量 Δ={δ|δ∈[-1，1]} 。然而，允許模型自由學習這些偏移可能會使感受野偏離目標。為解決這一問題，DSConv需要在 x 軸、 .y 軸和 z 軸方向上調整卷積核。 K 中每個網格的具體位置表示為 K_i±c=（x_i+c，y_i+c，z_i+c） ，其中 c={0，1，2，3，4} 表示與中心網格的水平距離。每個網格位置 K_i±c 的選擇是一個累計過程，距離中心網格的位置取決于前一個網格的位置加偏移量。同時，為確保卷積核符合線性形態(tài)結構，引入偏移量的累積和，用于逐步構建卷積核中每個網格的坐標位置。

對于 Ψ_x 軸方向，坐標為

對于 軸方向，坐標為

對于 z 軸方向，坐標為

由于偏移量 通常為非整數(shù)，卷積核的采樣位置位于特征圖的非整數(shù)坐標點，而特征圖僅在離散的整數(shù)網格上定義。因此，為在連續(xù)位置上獲取特征值，采用雙線性插值進行計算，如式（5）所示：

式中： K 表示式（2）—（4）的分數(shù)位置； K^′ 枚舉所有整數(shù)空間位置； B 是雙線性插值核，可以分解為3個一維核，如式（6）所示，其中 b 表示一維插值函數(shù)。

B（K，K^′）=b（K_x，K_x^′）?b（K_y，K_y^′）?b（K_z，K_z^′）

基于對上述數(shù)學公式的分析，DSConv可以分別在 x 軸 .y 軸和 z 軸方向上進行動態(tài)調整，從而使模型更準確地捕獲關鍵特征，提高模型的分割精度。

1.4 ASFF

U-Net網絡采用U型結構和跳躍連接融合特征，但忽略了卷積層間的空間關系，導致特征融合效果不佳。為優(yōu)化特征融合，引人ASFF技術來增強多尺度特征融合和表達，同時減少不相關特征的干擾[14]。它使模型學習保留有用的信息，過濾掉無用的信息。ASFF通過自適應地學習每層特征圖的相應權重將特征圖與獲得的權重相乘進行融合，自動找出最合適的融合特征以解決腦腫瘤圖像分割中的多尺度特征融合問題。空間濾波可減少信息沖突，抑制梯度反向傳播中的不一致性，提升腦腫瘤圖像分割的準確性和可靠性，為臨床實踐提供有效輔助。

如圖4所示，ASFF的核心思想在于自適應地學習每個尺度上特征映射的融合空間權重。這一過程包含2個關鍵步驟：相同的方式重新縮放與自適應融合。這與以往采用元素求和或拼接的方法來集成多層次特征的方式有所不同。

設 x_ij^n-l 表示位置 （i，j） 在特征映射上從第 n 層調整到第 ξ_l 層，將相應層次的特征融合如下：

y_ij^l=α_ij^l?x_ij^1l+β_ij^l?x_ij^2l+γ_ij^l?x_ij^3l，

其中 y_ij^l 表示由ASFF得到的新特征圖，以ASFF-3為例， x¹?x²?x³ 是Level1、Level2、Level3的特征，然后使它們分別與參數(shù) α³?β³?γ³ 相乘，結果相加得到特征融合后的特征ASFF-3。 α_ij^l、β_ij^l、γ_ij^l 是3個特征層的權重參數(shù)，通過Softmax函數(shù)使其滿足

α_ij^l+β_ij^l+γ_ij^l=1，

并且滿足 α_ij^l，β_ij^l，γ_ij^l∈[0，1] 。定義：

分別以 λ_αij^l?λ_βij^l 和 λ_γij^l 為控制參數(shù)，e為自然對數(shù)的底數(shù)，用于構建 Softmax 函數(shù)以歸一化融合權重，利用 Softmax 函數(shù)定義 α_ij^l、β_ij^l、γ_ij^l 。使用 1×1 的卷積層分別計算來自 x^1l、x^2l、x^3l 的 λ_α^l、λ_β^l 和 λ_γ^l 的權重標量映射，故它們可以通過標準的反向傳播進行學習。該方法在每個尺度上對不同層次的特征進行自適應聚合。通過將ASFF技術集成到腦腫瘤圖像分割模型中提高多尺度特征融合的效果，充分利用高層次特征的語義信息增強模型在腦腫瘤圖像分割任務中對分割目標特征的表達能力，有效抑制無效特征對分割任務的干擾，從而提高模型的分割精度。

2數(shù)據(jù)集與評估指標

2.1 數(shù)據(jù)集

BraTS挑戰(zhàn)賽旨在通過提供3D多模態(tài)MRI數(shù)據(jù)集來評估腦腫瘤語義分割的最新方法，該數(shù)據(jù)集帶有專家醫(yī)生體素級的真實標簽注釋。該挑戰(zhàn)賽自2012年起連續(xù)舉辦10年，本研究選用了2019年、2020年和2021年的3個數(shù)據(jù)集用于驗證所提出的方法。

BraTS2019數(shù)據(jù)集包含335個病例樣本，其中高級別腦腫瘤圖像259個，低級別76個，驗證集含125個未知樣本。BraTS2020數(shù)據(jù)集樣本數(shù)量增加至369個，其中高級別腦腫瘤圖像293個，低級別76個，驗證集含125個未知樣本。BraTS2021數(shù)據(jù)集同樣提供了大量標注的腦腫瘤MRI圖像數(shù)據(jù)。其中訓練集包含993例高級別膠質瘤病例和 258例低級別膠質瘤病例，驗證集中有219例未知腫瘤樣本。每個數(shù)據(jù)樣本的尺寸均為 240× 240×155 ，包含4種模態(tài)的MRI序列[15]：T1加權（T1）、T1對比增強加權（T1ce）、T2 加權（T2）和流體衰減反轉恢復（Flair）以及專家精確標注圖像（Ground Truth），如圖5所示，其中黃色為增強型腫瘤，紅色為壞死腫瘤核心，綠色為腫瘤周圍水腫及浸潤組織，黑色為背景。本文在訓練集上訓練網絡，驗證集上評估模型性能，并將分割結果上傳到CBICA網站與標準結果對比，進行客觀的性能評估。計算方程如下：

不同模態(tài)的MRI圖像提供腫瘤不同區(qū)域的重要信息，綜合利用這些信息能夠全面理解腫瘤的性質和結構，進而為臨床診斷和治療提供準確和可靠的依據(jù)。T1加權圖像和T1ce圖像主要揭示不含腫瘤周圍水腫的腫瘤核心區(qū)域。而T2加權圖像和Flair圖像則更多地展示腫瘤周圍的水腫區(qū)域，即整個腫瘤。這種跨模態(tài)的圖像信息不僅有助于減少信息的不確定性，還能顯著提高臨床診斷和模型分割的精度。

2.2 評估指標

評估網絡模型性能時，采用 Dice 相似系數(shù)（Dice similarity coeficient，DSC）和 Hausdorff 距離（Haus-dorff distance，HD）作為評估指標。DSC評估圖像相似度，HD用于衡量圖像邊界最大間距。這種雙指標評估體系能夠更加全面、準確地反映模型在腦腫瘤圖像分割中的性能。

1）DSC取值范圍為[0，1]，0表示不含公共元素，1表示完全重疊，其計算公式如下：

式中： n_TP 代表正確預測為腫瘤的體素個數(shù)； n_FP 代表錯誤預測為腫瘤的體素個數(shù); n_FN 代表錯誤預測為非腫瘤的體素個數(shù)。

2）HD對分割的邊界比較敏感，能夠體現(xiàn)邊緣的分割精度，其計算公式如下

式中：sup和inf分別對應取上限和取下限的操作； T 和 P 則分別代表真實的值域和預測的值域。在這2個區(qū)域內， t 和 Π_P 代表各自的點，而 d（t，p） 是用于計算這2點之間距離的函數(shù)。為了降低離群值對結果的影響，通常會采取將計算得到的數(shù)值乘以 95% 的策略，這一指標被稱作Hausdorff95。

3實驗結果與分析

3.1實驗環(huán)境與配置

基于Pytorch 框架開發(fā)了ASGU-Net 模型，并利用 Intel Xeon Gold 6330CPU與 Nvidia RTX 3090GPU 進行高效訓練。設定迭代1000次，批處理大小為4，采用Adam優(yōu)化器動態(tài)調整學習率。實施指數(shù)型

衰減學習率策略，初始學習率設為 10^-3 ，動量為0.95，權重衰減系數(shù)為 1×10^-5 ，確保模型優(yōu)化效果。

3.2 預處理

在腦腫瘤圖像分割預處理中，由于BraTS數(shù)據(jù)集樣本包含不同模態(tài)圖像，灰度和對比度存在顯著差異，進而影響分割精度和穩(wěn)定性，為此，采用Z-score歸一化和轉換進行標準化處理，以減少模態(tài)和樣本間的灰度差異。同時，由于樣本量有限，應用圖像增強技術（如隨機旋轉和翻轉）來擴充數(shù)據(jù)集，增強模型泛化能力和魯棒性。針對干擾背景過多的問題，采用數(shù)據(jù)裁剪策略，將圖像裁剪至 4×128×128×128 尺寸作為網絡輸入，以提高分割準確性和效率。

本研究在BraTS2020驗證集上將消融實驗與原始分割網絡進行對比，在BraTS2019—2021數(shù)據(jù)集上將ASGU-Net與其他模型進行深人比較并展示可視化分割結果，以證明ASGU-Net在腦腫瘤圖像分割中的優(yōu)越性能和泛化能力。

3.3消融實驗結果

為驗證所提ASGU-Net模型在腦腫瘤分割任務中的有效性，本研究在BraTS2020訓練集上進行腦腫瘤圖像訓練，使用訓練好的模型對BraTS2O2O驗證集數(shù)據(jù)進行分割，實驗結果如表1所示。

首先，將圖卷積推理瓶頸層嵌人U-Net中構建GU-Net，并與原始模型進行對比。結果顯示GU-Net在ET和WT上的DSC分別提升了0.7和O.4個百分點，TC略有下降，證明了圖卷積推理瓶頸層在捕捉遠程上下文信息方面的優(yōu)勢。

其次，在GU-Net模型中分別引入ASFF 機制和DSConv。實驗結果表明：加入ASFF 機制后使GU-Net模型的DSC平均值提升了0.27個百分點；加人DSConv后性能進一步提升，DSC平均值較GU-Net提升了0.6個百分點。這表明2個模塊在改進模型性能方面具有顯著效果，尤其是在細粒度特征提取和多尺度特征融合的任務中。

最后，將DSConv與ASFF機制整合到GU-Net模型中獲得ASGU-Net模型。在 BraTS2020驗證集上，ASGU-Net模型在ET、WT和TC的DSC值分別達到了 77.40%.90.70% 和 84.00% ，相較于baseline，ASGU-Net的平均性能有明顯提升，充分驗證了ASGU-Net模型在腦腫瘤分割任務中的優(yōu)越性和有效性，表明該模型能夠在復雜的醫(yī)學圖像分割任務中提供更高的精度和魯棒性。

3.4與代表性方法對比

為全面驗證所提出的ASGU-Net模型的優(yōu)越性和有效性，選取目前被公認為經典和最新的改進模型作為參照對象。在實驗設置中，將 ASGU-Net與這些代表性的腦腫瘤分割方法分別在BraTS2019、BraTS2020和BraTS2021驗證集上進行對比，結果如表2—4所示。

表3BraTS2020驗證集上的對比實驗結果

由表2數(shù)據(jù)可知，在BraTS2O19驗證集上ASGU-Net在ET、WT和 TC的DSC 指標分別為 77.30% 、90.70% 和 84.90% ，其平均DSC 值為 84.30% 。與其他網絡相比，ASGU-Net網絡呈現(xiàn)出顯著優(yōu)勢。黃敬騰等[23]提出的FS Inv-Res U-Net 在ET上的DSC 僅略高于ASGU-Net 1.1個百分點。LIU等[2]提出的CANet在TC上DSC 達到最優(yōu)，然而在ET上的DSC卻比ASGU-Net低1.4個百分點，且其平均DSC 也低于ASGU-Net1.1個百分點。此外，在Hausdorff95 指標中，ASGU-Net在ET、WT和TC上的表現(xiàn)分別為3.17、4.93和 6.01mm ，其平均值為 4.70mm 。綜合評估，ASGU-Net在ET、WT和TC的分割結果中分別位列第3、第1和第2，其平均DSC值在所有對比方法中表現(xiàn)最佳。

在BraTS202O驗證集的對比實驗中，ASGU-Net在ET、WT和TC的DSC指標分別為 77.40% 、90.70%.84.00% ，平均值 84.03% ，在WT、TC和平均值上領先于其他網絡。雖然ZHANG等[18]的AugTrausU-Net 在ET上最優(yōu)，但平均DSC值低于 ASGU-Net 0.6 個百分點。在 Hausdorf95指標中，ASGU-Net在ET、WT、TC上分別為35.28、4.17和 6.07mm ，平均值為 15.17mm ，排名第4、第1和第1，平均值排名第3。綜上，ASGU-Net在腦腫瘤圖像分割任務中具有較為明顯的競爭力。該網絡不僅可以準確區(qū)分腫瘤的不同區(qū)域，而且其在多個評估指標上都取得顯著的分割效果。

根據(jù)表4中的BraTS2021驗證集對比實驗結果，ASGU-Net模型在ET、WT和TC的DSC分別為82.50%.91.00% 和 88.80% ，其平均 DSC 為 87.43% ，表現(xiàn)優(yōu)異。ASGU-Net模型在Hausdorff95指標上分別為18.10、6.31和 8.76mm ，其平均值為 11.06mm ，領先于其他模型。通過與先進模型的對比分析，ASGU-Net在BraTS2021數(shù)據(jù)集上的綜合性能較為突出，這進一步證明了本文所提出的方法在醫(yī)學圖像分割任務中的有效性。

3.5 結果可視化

為更直觀地展現(xiàn)ASGU-Net在腦腫瘤分割任務中的競爭力，在BraTS2O21訓練集中選取代表性的圖像進行結果可視化，并選取真實值圖像（GT）、U-NETR、nnU-Net和TransBTS等先進網絡進行可視化對比分析，如圖6所示。圖中使用藍色線框標注了ASGU-Net在分割結果中相較于其他先進網絡表現(xiàn)更優(yōu)的區(qū)域。圖中黃色為增強型腫瘤，紅色為壞死腫瘤核心，綠色為腫瘤周圍水腫及浸潤組織，黑色為背景。通過細致觀察可發(fā)現(xiàn)，在第1行右上方的綠色水腫區(qū)域，ASGU-Net的分割結果明顯比U-NETR、nnU-Net 和TransBTS等先進網絡更接近真實值圖像。此外，第2行左上方的綠色水腫區(qū)域以及第3行右側的綠色水腫和黃色增強腫瘤區(qū)域等位置也表明ASGU-Net表現(xiàn)優(yōu)越。這說明，ASGU-Net能夠更有效地捕捉腫瘤的復雜結構特征。綜上所述，所提出的ASGU-Net網絡能夠精準地分割腦腫瘤的病變子區(qū)域，在腦腫瘤分割任務中展現(xiàn)出顯著優(yōu)勢。

4結語

基于三維U-Net和圖卷積的自適應特征融合網絡模型ASGU-Net，通過引入圖卷積推理瓶頸層、DSConv以及ASFF機制，提升了腦腫瘤分割的準確性和魯棒性。仿真與實驗結果表明，ASGU-Net能夠更為精確地捕獲腦腫瘤的復雜結構特征，并顯著提升模型在BraTS2019—2021數(shù)據(jù)集上的分割性能。模型的精確建模對于腦腫瘤分割任務的進一步優(yōu)化和模型性能分析具有重要參考價值。

本文僅針對腦腫瘤分割問題進行了模型設計與實驗驗證，未來將探討引人更先進的圖卷積模型，并結合多模態(tài)數(shù)據(jù)進一步提升模型的精度與泛化能力，為實現(xiàn)腦腫瘤的高精度自動化分割提供更有效的解決方案。

參考文獻/References：

[1]吳昌霖，楊關，林予松.基于密集多尺度空洞卷積的腦膠質瘤圖像語義分割方法[J].計算機應用與軟件，2023，，40（1）：234-240. WUChanglin，YANGGuan，IYusong.Semanticsegmentationmethodofgliomaimagebasedondensemulti-scaledilatedconvolution [J].Computer Applications and Software，2023，40（1）：234-240.

[2]RONNEBERGERO.FISCHER P，BROX T.U-Net：Convolutional Networksfor Biomedial Image Segmentation[M].Cham：Springer， 2015：234-241.

[3]孫家闊，張榮，郭立君，等.多尺度特征融合與加性注意力指導腦腫瘤 MR圖像分割[J].中國圖象圖形學報，2023，28（4）：1157-1172. SUNJiakuo，ZHANGRong，GUOLijunetal.MultisalefaturefusionandaditiveatentionguidebraintumorMRimagesegmntation [J].Journal of Image and Graphics，2023，28（4）：1157-1172.

[4]SUNJindong，PENGYanjun，LIDapeng，etal.Segmentationof the MultimodalBrainTumorImagesUsingRes-U-Net[M.Cham： Springer，2021：263-273.

[5]夏峰，邵海見，鄧星.融合跨階段深度學習的腦腫瘤MRI圖像分割[J].中國圖象圖形學報，2022，27（3）：873-884. XIAFeng，SHAO HaijianDENG Xing.Crosstagedeep-learning-based MRIfused imagesofhumanbraintumorsegmentatioJ.Jour nal of Image and Graphics，2022，27（3）：873-884.

[6]ZHANGZhuangzhuang，ZHANG Weixiong.Pyramid Medical Transformerfor MedicalImage SegmentationEB/OL].（202-04-29） [2024-09-19].https：//doi.org/10.48550/arXiv.2104.14702.

[7]ZHANG Yanhua，BALESTRA G，ZHANGKe，etal.MultTrans：Multi-branchtransformernetwork formedical imagesegmentation[J]. Computer Methods and Programs in Biomedicine，2024.DOI：10.1016/j.cmpb.2024.108280.

[8]LIU Ze，LINYutong，CAOYue，etal.Swin transformer：Hierarchical visiontransformerusingshifted Windows[C]/2021 IEEE/CVF International Conference on Computer Vision（ICCV）.Montreal：IEEE，2021：9992-10002.

[9]SAUERESSIGCBERKLEYA，KANGE，etalExploringGraph-BasedNeural NetworksforAutomaticBrain TumorSegmentation[M]. Cham：Springer，2021：18-37.

[10]MAQihang，ZHOUSiuan，LIChengyeetal.DualgrapheasoningunitforbaintumorsegmentationC21IE4thIteatioal Conference on Big Data and Artificial Intelligence（BDAI.Qingdao：IEEE，2021;204-208.

[1]ZHOUTongxue.M2GCNetMulti-modalgraphconvolutionnetworkforprecisebraintumorsegmentationacross multileMRIsequences [J].IEEE Transactions on Image Processing，2024，33：4896-4910.

12]LJiaJtulialesttgokfttal in peripapillary OCT images[J].Biomedical Optics Express，2021，12（4）：2204-2220.

[13]QIYaoleiHEYutigQXiaomingetalDamicsakeconvolutioasedotopologalgeometricostraintsftubulartrucre mentation[C]//2023 IEEE/CVF International Conference on Computer Vision（ICCV）.Paris：IEEE，2023：6047-6056.

[14]LIUSongtao，HUANGDi，WANGYunhong.LearningSatialFusionforSingle-ShotObjectDetection[EB/OL].（2019-11-5）20240- 19]. https：//doi.org/10.48550/arXiv.1911.09516.

[15]ZHAOLia，JAKebi.MultiscaleCNNsforbantumorsegmentationanddiagnosisJ].ComputationalandMathematicalMetodin Medicine，2016.DOI：10.1155/2016/8356294.

[16]VALANARASUJMJ，SINDAGI VA，HACIHALIOGLU I，et al.KiU-Net：Overcompleteconvolutionalarchitectures forbiomedical image and volumetric segmentation[J].IEEE Transactions on Medical Imaging，2O22，41（4）：965-976.

[17]SHENGing，LUogei，ZHAGJaia，etalSecod-orderReUNtfotomaticraintumogmentatJ.atati cal Biosciences and Engineering，2021，18（5）：4943-4960.

[18]ZHNGMuqing，LIUDongwei，SUNQiule，etal.Augmentedtransformernetwork forMRIbraintumorsegmentationJ.Journalof King Saud University-Computer and Information Sciences，2024.DOI：10.1016/j. jksuci. 2024.101917.

[19]CHENChen，LIU Xiaopeng，DNGMeng，etal.3DDlated Multi-FiberNetworkforReal-Time Brain TumorSegmentationinMRIM]. Cham：Springer，2019：184-192.

[20]ROSAS-GONZALEZ S，BRGU-SEKOU T，HIDANE M，et al.Asymmetric ensembleof asymmetric U-Netmodels forbraintumorseg mentation with uncertaintyestimation[J].Frontiers inNeurology，2021.DOI：1o.3389/fneur.2021.609646.

[21]LIUZhihua，TONGLei，CHENLong，etal.CANet：ContextawarenetworkforbraingliomasegmentationJ].IEEETransactionson Medical Imaging，2021，40（7）：1763-1777.

[22]張睦卿，韓雨童，陳柏年，等.基于多尺度偽影生成對抗網絡的磁共振成像腦腫瘤分割方法[J].光子學報，2023，52（8）：194-205. ZHANG Muqing，HANYutong，CHEN Bainian，et al.Magnetic resonance imaging braintumorsegmentation using multiscale ghost generative adversarial network[J].Acta Photonica Sinica，2023，52（8）：194-205.

[23]黃敬騰，李鏘，關欣.一種用于腦腫瘤分割的改進U形網絡[J].工程科學學報，2023，45（6）：1003-1012. HUANG Jingteng，LIQiang，GUANXin.AnimprovedU-shaped networkforbraintumorsegmentationJ].ChineseJournalofEngineer ing，2023，45（6）：1003-1012.

[24]ZHAO Changchen，ZHAO Zhiming，ZENGQingrun，etal.MVP U-Net：Muli-View Pointwise U-Netfor Brain Tumor Segmentation [M].Cham：Springer，2021：93-103.

[25]WANGJingdong，SUNKeCHENGTnhng，etal.DeephigresoutionrepresentationlearingforvisualecognitioJ].IEEraa tions on Pattern Analysis and Machine Intelligence，2021，43（1o）：3349-3364.

[26]GUAN Xi，YANG Guang，YEJianming，etal.3DAGSE-VNet：Anautomatic brain tumor MRIdata segmentationframework[J].BMC Medical Imaging，2022.DOI：10.1186/s12880-021-00728-8.

[27]LUOZhengrong，JIAZhongdao，YUANZhimin，etal.HDC-Net：Herarchicaldecoupledconvolutionnetwork forbraintumorsgmentation[J].IEEE Journal of Biomedical and Health Informatics，2021，25（3）：737-745.

[28]PENGYanjunSUJindong.TemultimodalMRIbraintumorsegmentationbasedonAD-Net[J.BomedicalSignalProcesingandCon trol，2023.DOI：10.1016/j.bspc.2022.104336.

[29]WANG Sihan，LILei，ZHUANG Xiahai.AttU-NET：AtentionU-Net forBrain Tumor Segmentation[M].Cham：Springer，2022： 302-311.

[30]ISENSEEF，JAGER PF，F(xiàn)ULL P M，et al.nnU-Net for Brain Tumor Segmentation[M].Cham：Springer，2021：118-132.

[31]RAZA R，IJAZ BAJWA U，MEHMOODY，etal.dResU-Net：3DdeepresidualU-Netbasedbrain tumorsegmentation frommultimodal MRI[J]. Biomedical Signal Processing and Control，2023.DOI：10.1016/j.bspc.2022.103861.

[32]PEIRISH，CHENZhaolin，EGANG，etal.Reciprocal AdversarialLearingforBrain TumorSegmentation：ASolutiontBraTChallenge 2021 Segmentation Task[M].Cham：Springer，2022：171-181.

[3]HATAMZADEHA，TANGYucheng，NATHV，et al.UNETR：Transformersfor3Dmedical image segmentation[C]/202 IEEE/CVF Winter Conference on Applications of Computer Vision（WACV）.Waikoloa：IEEE，2022：1748-1758.

[34]WANG WenxuanCHENChen，DING Meng，et al.TransBTS：Multimodal Brain Tumor Segmentation Using TransformerM].Cham： Springer，2021：109-119.

[35]CAOHu，WANGYueyue，CHENWantingetal.Swin-Unet：Unet-LikePureTransformerforMedicalImage SegmentationM.Cham： Springer，2022：205-218.