O método automático de segmentação de tumores cerebrais com estrutura de rede em U causa perda de informação devido a múltiplas convoluções e operações de amostragem, resultando em um desempenho de segmentação deficiente. Para resolver esse problema, foi proposta uma unidade de alinhamento de características que utiliza o fluxo de informação semântica para guiar a recuperação das características durante o upsampling, e com base nisso foi projetada uma rede leve de alinhamento de características com dupla atenção (DAFANet). Primeiramente, a unidade de alinhamento de características foi introduzida em três redes clássicas 3D UNet, DMFNet e HDCNet para verificar sua eficácia e generalização. Em seguida, com base na DMFNet, foi construída a rede leve de alinhamento de características com dupla atenção DAFANet, que reforça a recuperação das características durante o upsampling utilizando a unidade de alinhamento de características; o mecanismo de atenção de maximização de expectativa 3D atua simultaneamente no caminho de alinhamento de características e no caminho em cascata para capturar dependências contextuais completas. Também foi utilizada a função de perda Dice generalizada para melhorar a precisão da segmentação em casos de desequilíbrio de dados e acelerar a convergência do modelo. Por fim, a validação foi realizada nos conjuntos de dados públicos BraTS2018 e BraTS2019; o algoritmo proposto alcançou precisões de segmentação nas regiões ET, WT e TC de 80,44%, 90,07%, 84,57% e 78,11%, 90,10%, 82,21%, respectivamente. Em comparação com as redes de segmentação populares atuais, apresenta melhor desempenho na segmentação de regiões tumorais realçadas e é mais eficaz no processamento de detalhes e informações de borda.

tumor cerebral; segmentação de imagens; alinhamento de características; mecanismo de atenção; leveza