【论文阅读笔记】D2-Net: Dual disentanglement network for brain tumor segmentation with missing modalities_d2-net_dual_disentanglement_network_for_brain_tumo

Yang Q, Guo X, Chen Z, et al. D2-Net: Dual disentanglement network for brain tumor segmentation with missing modalities[J]. IEEE Transactions on Medical Imaging, 2022, 41(10): 2953-2964. 【代码开源】

论文概述

​ 本文介绍了一种名为D2-Net（双重解耦网络）的新型网络架构，用于在缺少某些模态的情况下进行脑肿瘤分割。这个网络的核心思想是通过两个阶段的解耦来处理多模态磁共振成像（MRI）数据中的脑肿瘤分割问题，特别是在缺少某些成像模态的情况下。

1. 模态解耦阶段（MD-Stage）：在这一阶段，D2-Net使用一种名为空间频率联合模态对比学习（SFMC）的方案来解耦MRI数据中的模态特定信息。这个过程在空间和频率域中进行，旨在直接从MRI图像中分离出模态特定信息，从而使模型能够直接学习多种模态之间的关联。
2. 肿瘤区域解耦阶段（TD-Stage）：在这一阶段，网络利用一种称为亲和引导的密集肿瘤区域知识蒸馏（ADT-KD）机制来分解各种肿瘤特定知识，并获取全面的特征以用于分割。这个阶段旨在解耦肿瘤特定特征，并利用这些特征获得更好的分割结果。

方法模型

step1