摘要：脑肿瘤对人体危害极大,并且在医学影像中的占比较小,边界模糊,可能以任何形状出现在脑区的任意位置,给脑肿瘤分割任务带来了极大挑战。本文综合脑肿瘤形态学和解剖学特点,提出了一种基于多模态特征重组和尺度交叉注意力机制的全自动脑肿瘤分割U形网络模型——MR-SC-UNet。它采用多任务分割框架,针对完整肿瘤(WT)、核心肿瘤(TC)、增强肿瘤(ET)等不同子区域的分割任务设计多模态特征重组模块,同时使用学习到的不同权重有效融合不同模态的信息输入,能够获得更具针对性的病灶特征。这与不同模态MRI影像凸显不同脑肿瘤病灶子区域特征的思想一致。同时,MR-SC-UNet以UNet为基准网络,在深层跳跃连接中添加尺度交叉注意力模块,可以获取多种尺度的全局信息。利用公开脑肿瘤数据集进行的相关实验结果表明,MR-SC-UNet架构对WT、TC和ET分割的Dice系数均值分别可以达到91.13%、87.46%和87.98%。这证明了所示设计的网络可以有效利用多模态肿瘤数据信息,提取和融合不同尺度的肿瘤特征,提高了脑肿瘤分割的准确性。